شخصیت ترکیبی از رفتار، عواطف، انگیزه و ویژگیهای الگوی فکری افراد است. افراد در روابط با یکدیگر، نحوه تعامل، و در موقعیتهای مختلف زندگی، تحصیلی و کاری ویژگیهای شخصیتی و هیجانی متفاوتی از خود بروز میدهند. مجموعه تمام این ویژگیها، ویژگیهای شخصیتی افراد را شامل میشود. طی سالهای اخیر ساختن سیستمهای هوشمند تشخیص شخصیت افراد با استفاده از ورودیهای مختلف و چندوجهی مانند متن، ویدئو و صدا و با کمک الگوریتمهای هوش مصنوعی از سری موضوعات مهم و جنجالی محسوب میشود. در این مقاله، مدلهای یادگیری ماشینی که برای تشخیص شخصیت به کار گرفته شدهاند، معرفی شده است. این مقاله محبوبترین رویکردها برای تشخیص خودکار شخصیت، مجموعه دادههای محاسباتی مختلف، کاربردهای صنعتی آن و مدلهای پیشرفته یادگیری ماشین برای تشخیص شخصیت با تمرکز ویژه بر رویکردهای چندوجهی ارائه میکند. تشخیص شخصیت موضوعی بسیار گسترده و متنوع است: این مقاله فقط بر رویکردهای محاسباتی تمرکز دارد و مطالعات روانشناختی در مورد تشخیص شخصیت را کنار گذاشته است.
کلمات کلیدی: تشخیص شخصیت، هوش مصنوعی، یادگیری عمیق، یادگیری ماشینی
در سالهای اخیر پیشبینی خودکار شخصیت افراد[1] با کمک ابزارهای هوش مصنوعی بسیار مورد توجه قرار گرفته است. شخصیت ما تأثیر زیادی بر زندگی ما دارد و بر انتخابهای زندگی، رفاه و سلامتی ما همراه با ترجیحات و خواستههای ما تأثیر میگذارد. از این رو، توانایی تشخیص خودکار ویژگیهای شخصیتی، کاربردهای عملی مهمی دارد. تاریخچه روانشناسی شخصیت به یونان باستان برمیگردد. در واقع، فیلسوفان از قرن ۴ قبل از میلاد، میکوشیدند دقیقاً آنچه را که رفتار ما را به وجود میآورد، تعریف کنند [1].
اواخر دهه 1960 و دهه 1970 دوران طلایی ارائه مقالات و تستهای مختلف شخصیتشناسی بود که میتوان از جمله به آزمونهای تست MBTI ،تست NEO و تست آیسنک (یا آزمون طبایع) اشاره کرد. تاریخچه تستهای هوش نیز به اوایل دهه 1900 برمیگردد. اولینبار روانشناسی به نام آلفرد بینت مامور شد تا در مدارس، دانشآموزانی که از نظر هوشی به کمک نیاز داشتند را بیابد. بر همین اساس آزمونهای هوش شکل گرفتند بعدها هوارد گاردنر، با ارائه تئوری هوش هشتگانه تحولی در تقسیمبندیهای ارائه شده تا آن زمان را ایجاد کرد. چندی بعد هوش هیجانی به عنوان عامل مهمی در کسب موفقیت افراد شناخته شد و بر اساس آن آزمونهای زیادی طراحی شدند. آزمون هوش کمبریج که در سال 1993 ارائه شد به عنوان معتبرترین آزمون هوش IQ شناخته میشود. ملاک این آزمون نیز توانایی استفاده افراد از دو نیمکره راست و چپ مغز میباشد [1], [2].
معیارهای شخصیتی
نظریه تئوریهای مدرن در تلاش است با تنظیم تعدادی از ابعاد طبقهبندی با استفاده از رویکرد واژگانی و ساختن پرسشنامه، شخصیت را مدل کند. مدل MBTI یکی از گستردهترین مدلهای مورد استفاده است که میلیونها بار در جهان استفاده شده است. سازندگان تست ارزیابی شخصیت MBTI معتقدند که رفتارهای مردم و نوع شخصیتی که دارند از فردی به فرد دیگر متفاوت است و بنابراین از نظر شخصیتی متفاوت هستند. بر این اساس افراد را به چهار دسته زیر تقسیم میکنند:
- برونگرایی (E) یا درونگرایی (I)
- حسی (S) یا شهودی (N)
- منطقی (T) یا احساسی (F)
- قضاوتگر (J) یا ادراکی (P)
یکی دیگر از تستهای مهم و پرکاربرد، مدل Big-Five یا پنج عاملی شخصیت است. شکل شماره 1 دستههای مختلف این تست را با جزییات نشان میدهد. این مدل بر این فرض بنا شده که تفاوت میان انسانها را میتوان بر اساس تفاوت در پنج دسته از ویژگیها توصیف کرد.
این پنج دسته به شرح زیر هستند:
- مجموعه صفات مرتبط با برونگرایی (Extraversion)
- مجموعه صفات مرتبط با پذیرش تجربههای جدید (Openness to experience)
- مجموعه صفات مرتبط با وجدان و مسئولیتپذیری (Conscientiousness)
- مجموعه صفات مرتبط با سازگاری و موافق بودن (Agreeableness)
- مجموعه صفات مرتبط با روانرنجوری بودن (Neuroticism)
شکل 1: دستههای مختلف تست bigfive
کاربردهای سامانههای هوشمند تشخیص شخصیت افراد سامانههای اتوماتیک تشخیص شخصیت افراد امروزه در صنعت بسیار بیشتر از قبل مورد توجه قرار گرفته است. این سامانههای هوشمند در قالب اپلیکیشنها بر روی تلفنهای همراه و سامانههای اینترنتی ارائه شدهاند. به صورت معمول تحلیلها و ارزیابیهای ارائه شده توسط آنها برای هر فرد شخصیسازی شده است. در دسترس بودن و اختصاصی بودن در کنار هوشمندی این سامانهها باعث شده است توجه افراد و سازمانها بیش از پیش به این سامانهها جلب شود.
دستیارهای صوتی هوشمند مانند Siri، Google assistant، Alexa و … با تشخیص اولیه ویژگیهای شخصیتیِ یوزرهای خود، به ازای هر فرد پاسخهای منحصربهفردی ارائه میکند. سیستمهای توصیهگر، افرادی که تایپ شخصیتی مشابهی دارند را دستهبندی میکند و پیشبینی میکند که این افراد ممکن است علایق و سرگرمیهای مشابهی داشته باشند، بنابراین محصولات و خدمات مشابهی به آنها ارائه میکند. یکی از مهمترین کاربردهای سامانههای اتوماتیک تشخیص شخصیت، قرار دادن افراد بر اساس ویژگیهای شخصیتی در جایگاههای مناسب شغلی خود میباشند. در مدیریت منابع انسانی، ویژگیهای شخصیتی بر شایستگی فرد برای مشاغل خاص تأثیر میگذارد. به عنوان مثال، یک شرکت ممکن است نیاز به استخدام فردی داشته باشد که یک تیم خاص را تحریک و رهبری کند. در این فرایند نیاز است افراد با ویژگیهای شخصیتی رهبری انتخاب شوند، بنابراین مدل هوش مصنوعی باید تلاش کند فردی را انتخاب کند که ویژگیهای رهبری بیشتری در خود داشته باشد. لیم و همکاران [3] مشکل غربالگری کاندیداهای مشاغل مختلف را از دیدگاه بین رشتهای روانشناسی و مدلهای یادگیری ماشین مورد بحث قرار دادهاند. به طور مشخص وجود چنین سامانهای در شرکت همراه اول نیار میشود. به این ترتیب که فرایندهای جذب و استخدام را تسهیل و باعث بهبود روابط سازمانی نیز میشود.
مدلهای هوش مصنوعی
سامانههای تشخیص شخصیت معمولا با سه ورودی متن، ویدئو و صدا یا ترکیب این سه مورد آموزش میبینند. برخی سامانههای موجود از هر سه ورودی به صورت همزمان استفاده میکنند. شکل 2 نمونهای از تجمیع هر سه ورودی متن، صوت و تصویر را نشان میدهد.
در سال 2014 برای اولین بار از الگوریتمهای ماشین لرنینگ[2] مانند Naïve Bayes ،KNN با ورودی متن برای طبقهبندی افراد به چهار دسته تست MBTI استفاده شد. پس از آن با ظهور شبکههای عصبی، مدلهای انتهابهانتها[3] (منظور مدلهای یادگیری عمیق است که ورودی به مدل داده میشود و خروجی از مدل گرفته میشود، یعنی بدون دخالت فیچرها باشد) دقت و عملکرد بهتری از خود نشان دادند. سیستمهای مبتنی بر ورودی تصویر یا ویدئو عموما از تغییرات ماهیچههای صورت استفاده کرده و بر اساس تغییرات هر ماهیچه، بٌعدهای شخصیتی افراد تعریف میشود. در ادامه به تحلیل هریک از این ورودیهای خواهیم پرداخت.
شکل 2: تجمیع هر سه ورودی متن، صدا و ویدئو را برای تشخیص شخصیت نشان میدهد [4].
ورودی متن
در سیستمهای مبتنی بر هوش مصنوعی با ورودی متن، یکی از مهمترین کارها پیشپردازش و تمیز کردن متن ورودی است. درست انجام دادن این مرحله، تاثیر بسزایی در افزایش دقت و عملکرد سیستم دارد. فیچرهای متنی معروفی که حاوی اطلاعات زبانی، روانشناسی و ویژگیهای شخصیتی است نیز به عنوان ورودی کمکی متنی به سیستم وارد میشود [5]. سپس اطلاعات ورودی به بردارهایی در فضای جبری تبدیل شده و به مدل یادگیری ماشینی یا یادگیری عمیقی خورانده میشود. مدلهای ماشین لرنینگ ماشین بردار پشتیبان[4]، نایو بیز[5] و جنگلهای تصادفی[6]، مدلهای یادگیری عمیق بازگشتی[7]، شبکههای حافظه بلندمدت[8] و اخیرا ترنسفورمرها[9] در مطالعات استفاده شده و عملکرد خوبی داشتهاند [6].
دادههای شبکههای اجتماعی، متون نوشته شده توسط افراد، وبلاگها، لاگهای موجود در تلفن همراه افراد ازجمله مجموعه دادههای موجود برای تحلیل و آموزش سامانههای هوشمند تشخیص شخصیت افراد هستند.
شکل 3: طبقهبندی افراد بر اساس ویژگیهای شخصیتی با استفاده از ماهیچههای صورت. در هر عکس نقاط مشخص شده بیانگر بیشترین حالت تغییر رفتار در مدلهای شخصیتی است [8]
ورودی عکس یا ویدئو
فیزیوگنومی[10] هنر تعیین شخصیت یا ویژگیهای شخصیتی یک فرد از روی ویژگیهای بدن، بهویژه صورت است. محققان دریافتهاند که چهره بیشترین اطلاعات توصیفی را برای استنتاج ویژگیهای شخصیتی افراد فراهم میکند. کریستانی و همکاران [7] این ایده را بررسی کرده که آیا رابطهای بین ترجیحات زیبایی شناختی یک فرد (به عنوان مثال، تصاویر مورد علاقه) و شخصیت آنها وجود دارد یا خیر. به طور کلی ویژگیهای استخراج شده از تصاویر را میتوان به دو نوع تقسیم کرد: زیبایی شناختی (رنگی بودن، استفاده از نور و غیره) و محتوا (چهرهها، اشیاء و …) . لیو و همکاران [8] ویژگیهای شخصیتی افراد را از انتخاب عکس پروفایل توییتر پیشبینی کردهاند. این مدل بر روی دادههای بیش از 66000 کاربر که تیپ شخصیتی آنها بر اساس آنچه قبلا توییت کرده بودند، با استفاده از تکنیکهای پیشرفته از روشهای متنی پیشبینی شده بود، آموزش داده شد. شکل 2 روند آموزش و طبقهبندی افراد با استفاده از ورودی عکس را نشان میدهد.
عکس 1، طبقهبندی افراد بر اساس ویژگیهای شخصیتی با استفاده از ماهیچههای صورت. در هر عکس نقاط مشخص شده بیانگر بیشترین حالت تغییر رفتار در مدلهای شخصیتی است [8].
ورودی صدا
در طی سالیان اخیر، اکثر مدلها برای تشخیص شخصیت با استفاده از ورودی صوتی در دو مرحله جداگانه کار میکنند:
1- استخراج ویژگی
2- تغذیه ویژگیها به یک مدل طبقهبندی
ویژگیهای استخراج شده از ورودیهای صوت را میتوان به 7 گروه شدت، زیر و بم، بلندی صدا، فرمتها، طیف ها، ضریب فرکانس مِل تقسیم کرد. این ویژگیهای صوتی معمولا با استفاده از برنامه تجزیهوتحلیل آکوستیک Praat استخراج شده و به یک طبقهبندی تغذیه میشود. برخی از محققان ادعا میکنند که ویژگیهای غیرزبانی (عروض، همپوشانیها، وقفهها و فعالیت گفتاری) برای تشخیص شخصیت درکشده بهتر از ویژگیهای زبانی عمل میکنند [9]. والنته و همکاران [1] مدل خود را بر روی مکالمات گفتاری از مجموعه داده پیکره AMI آزمایش کردهاند، که مجموعهای از جلسات ضبط شده در اتاقهای جلسه با ابزار ویژه همراه با صدا و تصویر هریک از شرکتکنندگان است.
نتیجهگیری
مواردی که در این مقاله مورد بحث قرار گرفت، کاربردهای متنوع بسیاری از شناخت شخصیت افراد است که در سالهای اخیر مورد توجه محققان قرار گرفته و بسیاری از این مدلهای هوشمند در صنعت نیز مورد استفاده قرار گرفته است. سامانههای تحلیل و تشخیص شخصیت در منابع انسانی همراه اول و سایر سازمانها نیز قابل استفاده است. با این حال، دادههای مورد استفاده برای آموزش مدلهای یادگیری ماشین، به اندازه خود مدلها قدرتمند هستند. برای تعداد زیادی از موارد در این زمینه، دادههای برچسب گذاری شده کافی برای آموزش شبکههای عصبی عظیم در دسترس نیست. نیاز مبرمی به مجموعه دادههای بزرگتر، دقیقتر و متنوعتر برای تشخیص شخصیت افراد وجود دارد. تقریباً بیشتر مجموعه دادههای فعلی بر روی مدل شخصیتی Big-Five تمرکز دارند و تعداد کمی برای سایر معیارهای شخصیتی مانند MBTI نیز موجود هستند. به طور معمول، شخصیت با پاسخ دادن به چند سوال در یک نظرسنجی اندازهگیری میشود. با فرض اینکه همه افرادی که در نظرسنجی شرکت میکنند صادقانه پاسخ دهند، اعتبار این نظرسنجی در برچسب زدن صحیح شخصیت یک فرد هنوز یک مسئله مورد بحث است. بنابراین چالش اصلی در ساخت و توسعه مدلهای تشخیص شخصیت افراد، ساختن مجموعه داده درست و قابل اعتماد است. اما با وجود این چالشها مدلهای یادگیری عمیق و یادگیری ماشینی به خوبی عمل کرده و انتظار میرود در آینده دقت و عملکرد سامانههای تشخیص شخصیت افراد رو به بهبود باشد.
منابع
[1] Y. Mehta, N. Majumder, A. Gelbukh, and E. Cambria, “Recent trends in deep learning based personality detection,” Artif. Intell. Rev., vol. 53, no. 4, pp. 2313–2339, 2020.
[2] K. El-Demerdash, R. A. El-Khoribi, M. A. I. Shoman, and S. Abdou, “Deep learning based fusion strategies for personality prediction,” Egypt. Informatics J., 2021.
[3] C. C. S. Liem et al., “Psychology Meets Machine Learning: Interdisciplinary Perspectives on Algorithmic Job Candidate Screening BT – Explainable and Interpretable Models in Computer Vision and Machine Learning,” H. J. Escalante, S. Escalera, I. Guyon, X. Baró, Y. Güçlütürk, U. Güçlü, and M. van Gerven, Eds. Cham: Springer International Publishing, 2018, pp. 197–253. doi: 10.1007/978-3-319-98131-4_9.
[4] O. Kampman, E. J. Barezi, D. Bertero, and P. Fung, “Investigating audio, visual, and text fusion methods for end-to-end automatic personality prediction,” arXiv Prepr. arXiv1805.00705, 2018.
[5] Y. Tausczik and J. Pennebaker, “The Psychological Meaning of Words: LIWC and Computerized Text Analysis Methods,” J. Lang. Soc. Psychol., vol. 29, pp. 24–54, Mar. 2010, doi: 10.1177/0261927X09351676.
[6] N. Majumder, S. Poria, A. Gelbukh, and E. Cambria, “Deep Learning-Based Document Modeling for Personality Detection from Text,” IEEE Intell. Syst., vol. 32, no. 2, pp. 74–79, 2017, doi: 10.1109/MIS.2017.23.
[7] M. Cristani, A. Vinciarelli, C. Segalin, and A. Perina, “Unveiling the multimedia unconscious: Implicit cognitive processes and multimedia content analysis,” in Proceedings of the 21st ACM international conference on Multimedia, 2013, pp. 213–222.
[8] Y. Güçlütürk et al., “Visualizing Apparent Personality Analysis with Deep Residual Networks,” in 2017 IEEE International Conference on Computer Vision Workshops (ICCVW), 2017, pp. 3101–3109. doi: 10.1109/ICCVW.2017.367.
[9] S. I. Levitan et al., “Identifying individual differences in gender, ethnicity, and personality from dialogue for deception detection,” in Proceedings of the second workshop on computational approaches to deception detection, 2016, pp. 40–44.
پینوشت
[1] Personality detection
[2] Machine learning
[3] End to End
[4] Support Vector Machine
[5] Naïve Bayes
[6] Random Forest
[7] Recurrent Neural Network
[8] Long Short Term Memory
[9] Transformers
[10] Physiognomy
