Наша лаборатория опубликовала статью в международном журнале Big Data and Cognitive Computing (Scopus, Q1):

Ryumina E., Ryumin D., Markitantov M., Karpov A. ExPAM: Explainable Personality Assessment Method Using Heterogeneous Linguistic Features and Off-the-Shelf LLMs // Big Data and Cognitive Computing, 2026, vol. 10(8), 254. (WOS IF=5.3 Q1, Scopus SJR=1.033 Q1)

Автоматическая оценка личностных черт играет важную роль в персонализированных интеллектуальных системах, однако современные подходы не всегда позволяют одновременно обеспечить высокое качество предсказаний и их понятную интерпретацию. В работе представлен новый объяснимый метод оценки личности ExPAM (Explainable Personality Assessment Method), предназначенный для определения черт личности модели «Большая пятёрка» по текстовым данным. ExPAM объединяет глубокие контекстные признаки, полученные с помощью моделей на основе Transformer, с интерпретируемыми лингвистическими характеристиками, извлечёнными с использованием словаря Linguistic Inquiry and Word Count (LIWC). Полученные глобальные и локальные лингвистические паттерны включаются в запросы к готовым большим языковым моделям (LLM), что позволяет уточнять оценки личностных черт и одновременно формировать понятные человеку объяснения без дополнительного обучения LLM. Эксперименты проведены на корпусах ChaLearn First Impressions v2 (FIv2) и PANDORA. На FIv2 метод достиг средней точности mAC=0.891 и коэффициента конкордации CCC=0.333, а на PANDORA — среднего коэффициента корреляции Пирсона PCC=0.240 и CCC=0.101. Использование в запросах к LLM гибридных глобально-локальных лингвистических паттернов дополнительно повысило CCC на 9.9% для FIv2 и на 15.8% для PANDORA. Анализ интерпретируемости выявил характерные для отдельных личностных черт лингвистические паттерны, демонстрируя потенциал ExPAM для исследований в области психологии, компьютерной лингвистики и паралингвистики.