GPT语言模型是否患有分裂人格障碍？无基质心理测量的出现
内容提要
该论文探讨了大型语言模型（LLMs）的人格特征及其可控性，提出了Machine Personality Inventory（MPI）数据集以评估模型的人格。研究发现，LLMs在文本生成中展现出与人类相似的人格特质，并通过角色扮演提示展示适应性。同时，研究强调了对LLMs测试有效性的关注，揭示了其多样化的个性特征。
延伸解读
LLM人格测试的有效性挑战
文章指出，LLMs对个性测试的反应与典型人类反应存在系统偏差，例如经常同时肯定反向编码项目（如“我是内向的”和“我是外向的”）。这意味着直接套用人类心理测量工具评估LLM人格可能产生误导性结果，研究者需谨慎解释此类测试数据，并关注测试在LLM上的适用性。
角色扮演提示与人格可控性
通过角色扮演提示，LLMs能够动态切换不同人格类型，展现出适应性。例如，Chain Prompting方法可诱导模型产生特定人格并生成多样化行为。这表明LLM的人格并非固定，而是可通过外部指令调控，为构建更拟人化的对话代理提供了可能。
项目性测试揭示隐藏人格
研究采用项目性测试（如华盛顿大学句子完成测试）探索LLMs的隐藏人格方面，这些方面通过直接提问难以获取。此类测试能深入揭示模型的认知过程和思维模式，为AInality提供多维度视角，并展示了LLMs对外部指令的动态变化能力。
Q&A
大型语言模型（LLMs）如何表现出与人类相似的人格特质？
大型语言模型在文本生成中展现出与人类相似的人格特质，尤其通过角色扮演提示展示适应性。
Machine Personality Inventory（MPI）数据集的目的是什么？
MPI数据集旨在评估预先训练的语言模型的人格特征，基于大五人格理论。
LLMs在个性测试中的反应与人类有什么不同？
LLMs对个性测试的反应与典型人类反应存在系统偏差，不能像人类测试结果一样进行解释。
如何通过提示控制LLMs的人格特征？
通过提供不同类型的语境和角色扮演提示，可以精准地控制LLMs的人格特征表现。
研究中提到的AInality概念是什么？
AInality是指大型语言模型表现出与人类个性类似的模式，展示多样化的个性类型和适应性。
对LLMs的测试有效性有什么关注？
研究强调了对LLMs测试有效性的关注，认为在得出强有力结论之前应仔细调整测试。
