本研究探讨了人类个性特征对人工智能代理在文本互动中的影响，提出了PANDA代理模型。研究发现，不同个性类型在决策表现上存在显著差异，尤其开放性高的代理表现更佳，显示个性适应代理在决策中的潜在价值。

本研究探讨了个性特征对大型语言模型（LLMs）在多智能体环境中合作能力的影响。结果表明，提高宜人性和责任心可以改善合作，但也增加被利用的风险，揭示了个性驱动对人工智能代理协调能力的潜力与局限性。

本研究探讨大型语言模型在决策中受到认知偏见的影响，分析个性特征对偏见的作用，发现责任心和宜人性能够有效减轻偏见，强调个性驱动的偏见动态及其减轻策略的重要性。

本研究解决了大语言模型在个性化对话系统中对心理因素重视不足的问题。提出的Orca框架通过融合个性特征，分四个阶段优化数据处理和模型训练，以提高角色扮演的能力。实验结果表明，Orca在多个社交平台上生成内容的质量评估基准上展示出卓越的性能，显著提升了角色扮演的能力。

本研究分析了ChatGPT的政治偏见和个性特征，比较了GPT-3.5与GPT-4的表现。结果显示，两者均存在进步主义和自由主义偏见，但GPT-4的偏见有所减弱，且更擅长模仿政治观点。

该研究提出了一种新系统LMLPA，用于定量评估语言模型（LLM）的个性特征，发现LLM具有独特个性，为人机互动提供了新框架，推动了AI个性评估的发展。

本研究提出一种基于神经元的方法，解决大型语言模型在模拟个性特征时的局限。通过新数据集和识别个性神经元，实现对模型个性的细粒度控制。实验显示，该方法与微调模型效果相当，更高效灵活。

本文探讨双人对话中主题变化与个性特征的影响，发现开放性和外向性显著影响对话的主题广度和语言对齐，进而改变情感状态。高维自然语言处理方法揭示个性差异在社会影响中的重要性。

本研究通过PEFT方法和QLORA技术，成功实现了对LLMs个性特征的操控，模型能够自发生成表情符号，展现了方法的优越性。

本研究针对现有作者特征分析方法中内容冗余的问题，提出了一种新颖的相关性过滤方法。通过强化学习来优化相关性过滤器，使效果类似于使用用户全部信息，且大幅降低模型输入的字数要求，显著提高了性格特征预测的准确度和效率。

本文综述了神经会话代理中的个性特征，包括定义个性、角色和档案，并列出使用该方案的模型。还介绍了21个最近开发的数据集和体现个性的方法，并回顾了使用这些方法的模型。最后调查了会话代理、个性和相关主题，并确定了研究挑战。

该文章介绍了一种名为“Machine Mindset”的新方法，将个性特征整合到大型语言模型中。通过微调和偏好优化，将MBTI特征嵌入模型，实现稳定的个性配置文件。作者通过展示模型在不同领域的表现与MBTI特征的对齐，证明了该方法的有效性。该论文对个性数据集的开发和个性整合在语言模型中的新训练方法做出了重大贡献。

研究发现，以个体人类特质为依据对机器人个性的重要性，并通过声音和语言特征描绘机器人的外向性和内向性。人们更喜欢和信任外向型机器人，对 Robo-Barista（机器咖啡师）而言尤其如此。个体对机器人的态度和倾向对 Robo-Baristas 的信任有影响，因此在设计人机交互研究时，个体态度也是重要的考虑因素。

该论文介绍了编辑大语言模型个性特征的创新任务和新的基准数据集 PersonalityEdit。作者进行了综合实验，揭示了任务的挑战和未解决问题。