大型语言模型中的人格综述

随着大型语言模型（LLMs）在文本交互中表现得越来越像人类，越来越多的研究人员开始对LLMs中的人格进行研究。然而，心理学人格研究的多样性以及LLMs的快速发展导致了这一跨学科领域的研究呈现出广泛而零散的局面。在不同研究焦点、不同人格心理测量学和不同LLMs之间的大量研究，使得全面了解这一领域变得具有挑战性，并进一步增加了将研究成果应用于现实世界的难度。**在本文中，我们通过根据LLMs中人格的内在特征和外在表现将当前研究分类为三个研究问题：自我评估、表现和识别，来呈现一个全面的综述。**对于每个问题，我们提供了详细的分析，并对其相应的解决方案进行了深入的比较。此外，我们总结了当前研究的发现和未解决的挑战，并进一步讨论了其潜在原因。我们还收集了大量公开可用的资源，以便感兴趣的研究人员和开发者使用。最后，我们讨论了潜在的未来研究方向和应用场景。我们的论文是关于LLMs人格的最新文献的首个全面综述。通过呈现明确的分类法、深入的分析、充满希望的未来方向和丰富的资源集合，我们旨在提供更好的理解并促进这一新兴领域的进一步发展。

大型语言模型（LLMs）展现出了令人印象深刻的语言理解和生成能力，使其能够与用户进行连贯、类人对话。这些显著进展引发了广泛的应用（Chen et al., 2023; Zheng et al., 2023; He et al., 2023），并激发了越来越多的研究人员对LLMs中人格的探索兴趣。 人格被描述为塑造个体思想、情感和行为的持久特征（Mischel et al., 2007）。在LLMs的背景下，研究人员对LLMs是否具有内在的人格特质或LLMs在交互中处理与人格相关任务的能力感到好奇。这些研究有助于理解LLMs的心理描绘（Huang et al., 2023b），并进一步构建更加透明、安全和可信的AI系统（Safdari et al., 2023）。 鉴于此，过去两年中在这个跨学科领域涌现了大量研究，如附录A所示。然而，心理学人格研究的多样性（Hodo, 2006）和LLMs的快速发展使得不仅难以全面了解这一研究领域，还难以比较不同方法、得出一般性结论并将研究成果应用于实际应用。具体而言，当前研究在以下方面表现出混乱：

研究焦点：LLMs中的人格主题涵盖了各种方面，如LLMs的人格评估或LLMs对用户人格的认知。尽管范围广泛，但大多数研究仅关注某些特定方面。

心理测量学：不同研究集中于不同的人格模型（如五大人格特质模型（Digman, 1990）和迈尔斯-布里格斯类型指标（MBTI; Myers, 1962））。即使对于相同的人格模型，研究人员在其工作中也可能采用不同的心理测量方法。

研究的LLMs：在过去两年中，发布了大量的LLMs。尽管研究人员共同关注LLMs中的人格，但他们研究的LLMs却各不相同。

为填补这一研究空白，我们对关于LLMs人格的最新研究进行了全面综述。我们首先提出了一个分层分类法（在研究问题层面和方法层面）来清晰地组织现有研究，如图1所示。具体而言，我们根据内在特征和外在表现将LLMs中的人格分为三个研究问题：（1）自我评估，衡量LLMs的内在人格，（2）表现，控制LLMs展现指定人格，以及（3）识别，从文本内容中识别人格特质。对于每个研究问题，我们进一步根据其提出的方法对现有解决方案进行细分。 在具体章节中，我们对每个问题进行了详细分析，包括问题陈述、动机和意义。然后，我们对相应方法进行了深入调查和比较。此外，我们整合了研究发现并确定了当前研究中揭示的未解决的挑战。为方便研究人员和开发者，我们还收集了公开可用的资源，包括人格量表、代码库和数据集。最后，我们讨论了LLMs人格的潜在未来研究方向和实际应用场景。 总结而言，我们工作的主要贡献如下：

首个全面综述：据我们所知，这是首个关于LLMs人格最新研究的全面综述。

清晰的分层分类法：我们提出了一个分层分类法，以清晰地在研究问题层面和方法层面组织文献。

广泛的资源收集：我们收集并总结了大量公开可用的资源，以方便研究人员和开发者，包括人格量表、代码库和数据集，如附录B所示。

有前景的未来趋势：我们总结了当前研究中的研究发现和未解决的挑战，并进一步讨论了LLMs人格的有前景的未来研究趋势和潜在应用场景。