研究人员测试机器学习通过眼球追踪揭示人格特征的潜力

俄罗斯的一项研究表明，机器学习系统可以利用眼球运动数据来预测青少年的某些性格特征，其准确性略高于随机概率。研究发现马基雅维利主义和外向性是最可预测的特征。该研究发表于公共科学图书馆一号。

人格是一组持久的特征、行为和思维模式，塑造个人如何感知、响应以及与环境和他人互动。虽然人类性格的理论有很多，但大五模型可能是最被广泛接受的。

该模型通过五个广泛的特征来描述个人的个性： 开放经验，反映好奇心、想象力和探索新想法的意愿；责任心，包括自律、组织和实现目标的责任感；外向性，善于社交、自信，以及对刺激环境的偏好；随和，表示同情、合作和对他人福祉的关心；神经质，描述情绪不稳定，包括焦虑和情绪波动的倾向。

最近，科学家提出了另外一组三个特征来描述人类性格的“黑暗”方面。这些特征被称为“黑暗三人格”，包括自恋，其特征是浮夸、需要钦佩和权利；马基雅维利主义，涉及操纵、欺骗和注重个人利益；精神病态，其特点是缺乏同理心、冲动和反社会行为。

研究作者埃琳娜·齐格曼（Elina Tsigeman）和她的同事指出，人格特质通常是通过自我报告来评估的，而自我报告很容易受到各种形式的偏见甚至是彻头彻尾的伪造。研究一致表明，当有动机时，个人通常能够操纵自己的人格评估。因此，寻找评估人格的替代方法可能有助于克服这些限制。

这些研究人员想知道是否可以使用眼球运动数据来预测性格。眼球运动数据是指记录的眼球模式，例如注视（视线保持固定在一个点上）和扫视（焦点之间的快速移动）。这些模式揭示了个体如何从视觉上感知他们的环境、他们关注的内容以及他们的整体观察行为。通常，这些数据是使用专门的眼球追踪设备收集的，最近的技术进步使得捕获数据变得更容易、侵入性更小。

研究人员招募了35名俄罗斯青少年（平均年龄14岁，最终纳入30名参与者）。样本主要是男性，有 20 名男性参与。参与者被要求具有正常视力，因为眼镜和隐形眼镜等矫正设备可能会干扰眼球追踪的准确性。

为了评估参与者的性格特征，研究人员使用了“大五人格问卷”和“短黑三人格问卷”这两种成熟的自我报告工具。完成这些问卷后，每位参与者都戴上头戴式眼动仪，校准后，在研究人员的带领下沿着走廊来到一座摆满现代小玩意的博物馆。在 10 分钟的博物馆参观过程中，参与者自由地探索展品，没有等待在附近的研究人员的具体指示或指导。参与者使用同一个走廊返回实验室，研究人员全程陪伴他们。

在整个过程中收集眼球运动数据，每个参与者平均记录 15-16 分钟（在博物馆大约 10.75 分钟，在走廊大约 4.86 分钟）。然后将这些数据分为三部分进行分析：走廊（或“道路”）数据、博物馆数据以及走廊+博物馆数据组合。

为了测试性格特征的可预测性，研究人员将多种机器学习算法应用于每个部分的眼动数据，并使用交叉验证等技术来确保结果可靠。他们评估了每种算法在预测大五人格和黑暗三人格特征方面的性能。结果表明，一些算法可以做出比随机机会更好的统计上的人格特质预测。值得注意的是，马基雅维利主义和外向性成为最准确预测的特征，而其他特征如责任心和自恋的预测不太可靠。

有趣的是，在走廊收集的数据的预测准确性最高，其次是博物馆数据，而组合数据的效果最差。由于社交线索的存在以及参与者与研究人员的互动，走廊环境可能会提高预测的准确性。相比之下，在博物馆环境中，参与者可以独立地与展品互动，这可能会导致更多变化的眼球运动，而受到一致的社会刺激的影响较小。

某些机器学习算法，例如 Naive Bayes、Adaboost 和 k-Nearest Neighbors，表现尤其出色，某些特征的准确率高达 48%（相比之下，随机机会基线为 33%）。其他算法，如逻辑回归和随机森林，效果较差，可能是由于这些模型处理非线性数据的方式存在差异，而非线性数据是性格预测研究中的常见挑战。

该研究的结果强调了眼球追踪作为人格评估工具的潜力，特别是在自然环境中，这可能提供比传统实验室环境更生态有效的人格评估方法。然而，目前尚不清楚这些发现如何能够很好地推广到在研究中使用的特定走廊和博物馆以外的环境中收集的眼动数据、其他人群或不同类型的眼动数据。它们很可能无法完全推广，如果是这样，这些发现的科学和实用价值可能会受到限制。

此外，虽然交叉验证有助于确保一致性，但机器学习结果可能会随着参数的变化或新数据的变化而变化，这凸显了未来研究中标准化程序的必要性。

报纸——人工智能可以看到你：马基雅维利主义和外向性反映在眼球运动中，— 作者为 Elina Tsigeman、Viktoria Zemliak、Maxim Likhanov、Kostas A. Papageorgiou 和 Yulia Kovas。