1. На главную
  2. Электронные версии
  3. Доклады Российской академии наук. Математика, информатика, процессы управления
  4. T. 514, № 2, 2023

Доклады Российской академии наук. Математика, информатика, процессы управления, 2023, T. 514, № 2, стр. 235-241

АВТОМАТИЗАЦИЯ ОЦЕНКИ ТЕМПЕРАМЕНТА ПОЛЬЗОВАТЕЛЕЙ ОНЛАЙН СОЦИАЛЬНОЙ СЕТИ

В. Д. Олисеенко 1, *, А. О. Хлобыстова 1, **, А. А. Корепанова 1, ***, Т. В. Тулупьева 1, 2, ****

1 Лаборатория теоретических и междисциплинарных проблем информатики, Федеральное государственное бюджетное учреждение науки “Санкт-Петербургский Федеральный исследовательский центр Российской академии наук”
Санкт-Петербург, Россия

2 Кафедра государственного и муниципального управления, Северо-Западный институт управления РАНХиГС
Санкт-Петербург, Россия

* E-mail: vdo@dscs.pro
** E-mail: aok@dscs.pro
*** E-mail: aak@dscs.pro
**** E-mail: tvt@dscs.pro

Поступила в редакцию 31.08.2023
После доработки 15.09.2023
Принята к публикации 15.10.2023

Аннотация

В работе рассматривается вопрос автоматизации предсказания результатов теста “PEN” (тест на темперамент) по численным характеристикам, извлеченным из аккаунтов пользователей одной из популярных русскоязычной онлайн социальной сети. Целью работы является автоматизация оценки выраженности личностных особенностей пользователей онлайн социальной сети путем сопоставления результатов прохождения теста и контента, размещаемого самим пользователем в своем аккаунте онлайн социальной сети при помощи методов машинного обучения. Результатом работы является построение классификаторов на основе моделей CatBoost и случайного леса для предсказания характеристик экстраверсии-интроверсии и нейротизма. Теоретическая ценность результата лежит в разработке подхода построения исследования в области автоматизации оценки выраженности личностных особенностей человека. Практическая значимость заключается в разработке программного модуля для создания автоматизированной системы оценки выраженности личностных особенностей человека по онлайн социальным сетям.

Ключевые слова: PEN, темперамент, машинное обучение, предсказание оценки выраженности личностных особенностей человека, онлайн социальные сети

Список литературы

  1. Shen F., Ren S.S., Zhang X.Y., Luo H.W., Feng C.M. A Digital Twin-Based Approach for Optimization and Prediction of Oil and Gas Production // Mathematical Problems in Engineering. 2021. Vol. 2021. Article ID 3062841. https://doi.org/10.1155/2021/3062841

  2. Barni A., Pietraroia D., Züst S., West S., Stoll O. Digital Twin Based Optimization of a Manufacturing Execution System to Handle High Degrees of Customer Specifications. J. Manuf. Mater. Process. 2020. 4. 109. https://doi.org/10.3390/jmmp4040109

  3. Zhang H., Liu Q., Chen X., Zhang D., Leng J. A Digital Twin-Based Approach for Designing and Multi-Objective Optimization of Hollow Glass Production Line. IEEE Access. 2017. № 5. P. 26901–26911. https://doi.org/10.1109/ACCESS.2017.2766453

  4. Marmolejo-Saucedo J.A. Digital Twin Framework for Large-Scale Optimization Problems in Supply Chains: A Case of Packing Problem. Mobile Netw Appl. 2021.https://doi.org/10.1007/s11036-021-01856-9

  5. Tao F., Qi Q., Wang L., Nee A.Y.C. Digital Twins and Cyber–Physical Systems toward Smart Manufacturing and Industry 4.0 // Correlation and Comparison, Engineering. 2019. V. 5. Iss. 4. P. 653–661. https://doi.org/10.1016/j.eng.2019.01.014

  6. Sahal R., Alsamhi S.H., Brown K.N. Personal Digital Twin: A Close Look into the Present and a Step towards the Future of Personalised Healthcare Industry // Sensors. 2022. 22. 5918. https://doi.org/10.3390/s22155918

  7. Alhendi O. Personality Traits and Their Validity in Predicting Job Performance at Recruitment: a Review // International Journal of Engineering and Management Sciences (IJEMS). 2019. V. 4. № 3. P. 222–231. https://doi.org/10.21791/IJEMS.2019.3.21

  8. Хлобыстова А.О., Абрамов М.В., Столярова В.Ф. Исследование тенденций взаимосвязи между профориентационными предпочтениями пользователей и их цифровыми следами в социальной сети // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23. № 3. С. 564–574. https://doi.org/10.17586/2226-1494-2023-23-3-564-574

  9. Curşeu P.L., Ilies R., Vîrgă D., Maricuţoiu L., Sava F.A. Personality characteristics that are valued in teams: Not always “more is better”? //International Journal of Psychology. 2019. V. 54. №. 5. P. 638–649. https://doi.org/10.1002/ijop.12511

  10. De Clercq D., Haq I.U., Azeem M.U. Time-related work stress and counterproductive work behavior: Invigorating roles of deviant personality traits // Personnel Review. 2019. Vol. 48. № 7. P. 1756–1781.https://doi.org/10.1108/PR-07-2018-0241

  11. Huang C. Social network site use and Big Five personality traits: A meta-analysis // Computers in Human Behavior. 2019. V. 97. P. 280–290. https://doi.org/10.1016/j.chb.2019.03.009

  12. Cattell R.B., Gibbons B.D. Personality factor structure of the combined Guilford and Cattell personality questionnaires // Journal of Personality and Social Psychology. 1968. V. 9. № 1. P. 107–120. https://doi.org/10.1037/h0025724

  13. Furnham A., Richards S.C., Paulhus D.L. The Dark Triad of personality: A 10 year review // Social and personality psychology compass. 2013. V. 7. № 3. P. 199–216. https://doi.org/10.1111/spc3.12018

  14. Saucier G., Goldberg L.R. What is beyond the Big Five? // Journal of personality. 1998. V. 66. P. 495–524.

  15. Eysenck H.J., Eysenck S.B.G. Eysenck personality questionnaire-revised. 1984. https://doi.org/10.1037/t05461-000

  16. Kline P. Handbook of Psychological Testing. London: Routledge. 2013. 752 p. https://doi.org/10.4324/9781315812274

  17. Mehta Y., Majumder N., Gelbukh A., Cambria E. Recent trends in deep learning based personality detection // Artificial Intelligence Review. 2020. P. 2313–2339. https://doi.org/10.1007/s10462-019-09770-z

  18. Суходольский Г.В. Математическая психология. Харьков: Изд-во Гуманитарный центр, 2006. 360 с.

  19. Li L., Li A., Hao B., Guan Z., Zhu T. Predicting Active Users’ Personality Based on Micro-Blogging Behaviors // PLOS ONE. 2014. № 9 (1). e84997. https://doi.org/10.1371/journal.pone.0084997

  20. Evin M., Hidalgo-Munoz A., Béquet A.J., Moreau F., Tattegrain H., Berthelon C., Fort A., Jallais C. Personality trait prediction by machine learning using physiological data and driving behavior // Machine Learning with Applications. 2022. V. 9. № 100353. https://doi.org/10.1016/j.mlwa.2022.100353

  21. Zhao J., Zeng D., Xiao Y., Che L., Wang M. User personality prediction based on topic preference and sentiment analysis using LSTM model // Pattern Recognition Letters. 2020. V. 138. P. 397–402. https://doi.org/10.1016/j.patrec.2020.07.035

  22. Kim Y., Kim J.H. Using computer vision techniques on Instagram to link users' personalities and genders to the features of their photos: An exploratory study // Information Processing and Management. 2018. № 54(6). P. 1101–1114. https://doi.org/10.1016/j.ipm.2018.07.005

  23. Omar B., Dequan W. Watch, share or create: The influence of personality traits and user motivation on TikTok mobile video usage // International Journal of Interactive Mobile Technologies (iJIM). № 14 (4). P. 121–137. https://doi.org/10.3991/ijim.v14i04.12429

  24. Kosinski M., Stillwell D., Graepel T. Private traits and attributes are predictable from digital records of human behavior // Proceedings of the National Academy of Sciences. 2013. № 15. P. 5802–5806. https://doi.org/10.1073/pnas.1218772110

  25. Stachl C., Pargent F., Hilbert, S., Harari G. M., Schoedel R., Vaid S., Gosling S.D., Bühner M. Personality research and assessment in the era of machine learning // European Journal of Personality. 2020. V. 34. № 5. P. 613–631. https://doi.org/10.1002/per.2257

  26. Mehta Y., Majumder N., Gelbukh A., Cambria E. Recent trends in deep learning based personality detection // Artificial Intelligence Review. 2019. P. 2313–2339. https://doi.org/10.1007/s10462-019-09770-z

  27. Kosinski M., Matz S.C., Gosling S.D., Popov V., Stillwell D. Facebook as a research tool for the social sciences: Opportunities, challenges, ethical considerations, and practical guidelines // American Psychologist. 2015. V. 70. № 6. P. 543. https://doi.org/10.1037/a0039210

  28. Plank B., Hovy D. Personality Traits on Twitter or How to Get 1,500 Personality Tests in a Week // Proceedings of the 6th Workshop on Computational Approaches to Subjectivity, Sentiment and Social Media Analysis. 2015. P. 92–98. https://doi.org/10.18653/v1/W15-2913

  29. Pennebaker J.W., King L.A. Linguistic styles: Language use as an individual difference // Journal of personality and social psychology. 1999. V. 77. № 6. P. 1296. https://doi.org/10.1037//0022-3514.77.6.1296

  30. Gjurković M., Karan M., Vukojević I., Bošnjak M., Šnajder J. PANDORA talks: Personality and demographics on Reddit // Proceeding’s 9th International ACL Workshop on Natural Language Processing for Social Media (ACL, Pennsylvania). 2021. P. 138–152. ISBN 978-1-954085-32-9

  31. Kosan M.A., Karacan H., Urgen B.A. Predicting personality traits with semantic structures and LSTM-based neural networks // Alexandria Engineering Journal. 2022. V. 61. Iss. 10. P. 8007–8025. https://doi.org/10.1016/j.aej.2022.01.050

  32. Başaran S., Ejimogu O.H. A neural network approach for predicting personality from Facebook data // Sage Open. 2021. V. 11. № 3. https://doi.org/10.1177/21582440211032156

  33. Gu H., Wang J., Wang Z., Zhuang B., Su F. Modeling of User Portrait Through Social Media // 2018 IEEE International Conference on Multimedia and Expo (ICME). 2018. https://doi.org/10.1109/icme.2018.8486595

  34. Titov S., Novikov P., Mararitsa, L. Full-scale Personality Prediction on VKontakte Social Network and its Applications // 2019 25th Conference of Open Innovations Association (FRUCT). 2020. P. 317–323.https://doi.org/10.23919/FRUCT48121.2019.8981513

  35. Станкевич М.А., Игнатьев Н.А., Смирнов И.В., Кисельникова Н.В. Выявление личностных черт у пользователей социальной сети ВКонтакте // Вопросы кибербезопасности. 2019. № 4 (32). С. 80–87. https://doi.org/10.21681/2311-3456-2019-4-80-87

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Доклады Российской академии наук. Математика, информатика, процессы управления

Архивы выпусков Информация о журнале Отправить рукопись в журнал