Persona-E2: A Human-Grounded Dataset for Personality-Shaped Emotional Responses to Textual Events¶

会议: ACL 2026
arXiv: 2604.09162
代码: HuggingFace
领域: 社会计算 / 情感计算
关键词: 人格建模, 情感评估, 读者视角, MBTI, 大五人格

一句话总结¶

构建了首个将人格特质（MBTI + Big Five）与读者情感反应关联的大规模数据集 Persona-E2，包含 3111 个事件 × 36 名标注者共 11.2 万条标注，揭示 LLM 在模拟人格化情感反应时存在"人格幻觉"问题，且 Big Five 特征比 MBTI 更有效地缓解该问题。

研究背景与动机¶

领域现状：情感计算研究主要关注文本中作者表达的情感，而忽略了读者视角的情感评估。现有数据集大多将标注聚合为单一标签，掩盖了不同个体因人格差异而产生的情感多样性。

现有痛点：角色扮演 LLM 试图通过在 prompt 中注入人格特征来模拟个性化反应，但它们往往表现出"人格幻觉"（personality illusion）——仅模仿表面的语言风格而非真正采用基于人格的认知评估模式。更关键的是，缺乏真实的人类数据来验证 LLM 是否真正捕捉到了人格驱动的情感多样性。

核心矛盾：认知评估理论指出情感源于个体化的评估过程，受目标和性格特质影响，但 NLP 领域缺少将人格特质与情感反应系统关联的基准数据集。LLM 生成的伪标签无法替代真实人类数据进行验证。

本文目标：构建一个有真实人格标注的读者情感反应数据集，用于 (1) 分析人格如何影响情感评估，(2) 评估 LLM 模拟人格化情感的能力，(3) 探究 LLM 能否生成心理学上合理的推理。

切入角度：让具有已测量人格特质（MBTI + Big Five）的真实标注者，对来自新闻、社交媒体和生活叙事三个领域的事件进行情感标注，每个事件获得 36 个标注，确保密集的人格多样性覆盖。

核心 idea：通过真实人格评估 + 密集标注（36 人/事件）+ 跨领域事件覆盖，构建首个人格-事件-情感的基准数据集，系统评估人格对情感评估的影响及 LLM 的模拟能力。

方法详解¶

整体框架¶

Persona-E2 的构建分为三个阶段：(1) 事件收集与过滤——从新闻、社交媒体、生活叙事三个领域收集事件，经过安全过滤、LLM 多维评分和专家审核，从 7.7 万候选中筛选出 3111 个高质量事件；(2) 人格化标注——招募 36 名标注者完成 MBTI 和 Big Five 问卷，每人对全部 3111 个事件标注真实情感反应；(3) 三个研究问题的实验评估——分析情感分歧模式、LLM 模拟能力和认知合理性。

关键设计¶

多维事件过滤流水线:
- 功能：从大量原始事件中筛选出能有效触发人格差异化情感反应的高质量刺激
- 核心思路：三阶段过滤——(a) NSFW 分类器过滤有害内容；(b) 使用 Qwen3-MAX 对每个事件在人格变异性(V)、情感唤醒度(A)、情感隐含性(I)和来源相关性(R) 四个维度评分，加权计算 \(Score = 0.35V + 0.30A + 0.20R + 0.15I\)；(c) 5 人专家组终审
- 设计动机：仅选择那些"不同人格的人看了会有不同反应"的事件，才能最大化数据集的区分价值
人格感知标注协议:
- 功能：获取锚定在真实人格特质上的情感标注数据
- 核心思路：36 名标注者先完成标准化 MBTI 和 Big Five 量表，然后以读者视角("How would you feel when reading this event?") 对每个事件标注 Ekman 六基本情感 + 中性共 7 类。全程无角色扮演，确保数据反映真实人格。每个事件 36 条标注保证了密集的人格覆盖
- 设计动机：区别于以往让标注者模拟特定人格的做法，直接利用标注者自身的真实人格，确保数据的心理学有效性
人格一致性差距验证（PAG）:
- 功能：验证数据集中的标注分歧确实由人格驱动而非随机噪声
- 核心思路：对 Big Five 向量做 K-means 聚类（\(k=6\)），计算组内一致性 \(Agr_{in}\) 与组外一致性 \(Agr_{out}\) 的差值 PAG。实验显示所有聚类的 PAG 均为正（+8.27% ~ +25.96%），证明人格相似的人对同一事件的情感反应更一致
- 设计动机：PAG 作为数据质量的内在验证指标，证明标注分歧是结构化的人格信号而非噪声

损失函数 / 训练策略¶

本文是数据集论文，不涉及模型训练。实验部分使用现有 LLM（GPT-4o、Claude 3.5、Qwen2.5 等）在 zero-shot 和 few-shot 设置下进行人格化情感预测评估。

实验关键数据¶

主实验¶

LLM 模拟人格化情感预测性能（加权 F1）：

模型	新闻	社交媒体	生活叙事	平均
GPT-4o (zero-shot)	0.42	0.31	0.38	0.37
Claude 3.5	0.40	0.29	0.36	0.35
Qwen2.5-72B	0.39	0.28	0.35	0.34
+ BFI prompt	0.45	0.34	0.41	0.40
+ MBTI prompt	0.43	0.32	0.39	0.38

消融实验¶

人格信息对 LLM 情感预测的影响：

配置	加权 F1	说明
无人格信息	0.37	基线
+ MBTI 标签	0.38	仅提供 4 字母类型
+ BFI 向量	0.40	提供连续人格维度得分
+ BFI + 认知解释	0.42	同时要求模型解释推理过程

关键发现¶

LLM 在社交媒体领域表现最差（F1 仅 0.28-0.31），因为社交媒体文本更模糊、更依赖个人化解读
Big Five 特征显著优于 MBTI 用于缓解"人格幻觉"，可能因为 BFI 提供了连续维度而非离散类型
作者-读者情感分歧在生活叙事领域最大，新闻领域最小，证明第一人称投射会放大个体差异
PAG 验证显示 ESTP 类型的人格一致性最高（+26.98%），ISTJ 最低（+9.68%）

亮点与洞察¶

数据集设计的核心洞察非常深刻——"标注分歧不是噪声而是人格信号"。PAG 验证方法可以推广到任何涉及主观判断的标注任务中
36 人 × 3111 事件 = 11.2 万条标注的规模前所未有，且每个标注都锚定在真实测量的人格特质上，这为人格化 AI 研究提供了宝贵的基准
"人格幻觉"概念的系统化验证——揭示 LLM 并非真正理解人格对认知评估的影响，只是在模仿刻板印象

局限与展望¶

标注者仅 36 人，人格覆盖有限，特别是某些 MBTI 类型人数不足 3 人无法进行统计分析
仅使用 7 类基本情感，无法捕捉更细腻的情感维度（如混合情感、情感强度）
事件主要来自英文源，文化多样性有限
未来可以扩展到更多标注者和文化背景，探索人格特质的动态变化对情感评估的影响

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首个将真实人格测量与读者情感标注系统关联的大规模数据集
实验充分度: ⭐⭐⭐⭐ 三个研究问题设计全面，但 36 人样本量在心理学实验中偏小
写作质量: ⭐⭐⭐⭐ 结构清晰，心理学理论基础扎实
价值: ⭐⭐⭐⭐⭐ 为人格化 AI 和情感计算提供了急需的真实基准数据