编辑推荐：
研究人员利用机器学习（ML）和自然语言处理（NLP）技术，分析 YouTube 用户评论预测 MBTI 人格类型，发现特定规律，助力理解网络行为。
在当今数字化时代，人们在网络上的交流日益频繁，社交平台成为了海量信息的汇聚地。其中，YouTube 作为全球知名的视频分享平台，用户们会在上面针对各类视频发表丰富多样的评论。这些评论不仅是简单的文字记录，更有可能蕴含着用户的个性特征。一直以来，测量人格的标准方法是通过自我报告问卷，但这种方法存在一定的局限性，比如 “自我呈现” 观点认为，问卷回答可能反映的是个体在不同情境下希望展现的形象，而非真实的自我描述。
随着互联网对个性化内容需求的增长，准确推断用户人格变得愈发重要，它能在诸如精准广告投放等领域发挥关键作用。近年来，利用书面语言评估人格的研究不断涌现，语言被视为反映人格特征的丰富来源。然而，自动人格预测仍是一项充满挑战的任务，主要问题在于用于训练分类器的公开标记数据集有限，且现有许多数据集样本量较小，每个样本往往只有几句话。
为了深入探究这一领域，来自意大利博洛尼亚大学（University of Bologna）统计学系的 Luisa Stracqualursi 和 Patrizia Agati 开展了相关研究，研究成果发表在《Scientific Reports》上。
研究人员主要运用了机器学习（Machine Learning，ML）和自然语言处理（Natural Language Processing，NLP）技术。他们使用从 Kaggle 上获取的知名 MBTI 数据集训练分类器，该数据集来源于 “Personality Cafe” 论坛，收集了 8675 名已知 MBTI 人格类型个体的自然英语帖子。之后，从 YouTube 上抓取了与阴谋论、灵性和旅行相关视频的用户评论数据，对数据进行预处理，包括词形还原、去除停用词、链接等操作，并采用 TF-IDF（Term Frequency-Inverse Document Frequency）进行特征工程。分类任务被划分为四个二元任务，对应 MBTI 模型的四个二元类别（I/E、N/S、T/F、J/P），使用 XGBoost 算法训练四个独立的二元分类器。为解决数据不平衡问题，还采用了合成少数过采样技术（Synthetic Minority Over-sampling Technique，SMOTE） 。
研究结果如下：
- 确定预测所需最少字数：通过对不同字数子集进行测试，利用简单匹配系数（Simple Matching Coefficient，SMC）衡量模型匹配 MBTI 维度的能力，发现每个用户仅需 100 字就能获得较为满意的人格预测结果。
- 分析 YouTube 数据集的 MBTI 维度：对不同主题视频的评论进行分析，在 I-E 维度上，除新冠 - 疫苗 - 5G 相关评论外，其他数据集均显示内向型个体略占优势；N-S 维度上，直觉型个体显著多于感觉型个体；T-F 和 J-P 维度在不同数据集上表现各异。不同主题视频评论者的 MBTI 类型分布不同，阴谋论相关视频评论者中以 INTP 类型居多，灵性和旅行主题视频评论者则以 INFP 类型为主。综合整个 YouTube 数据集，最常见的 MBTI 类型是 INFP，其次是 INTP、INFJ 和 INTJ，这表明评论此类视频的 YouTube 用户中内向型和直觉型个体占主导。
研究结论和讨论部分指出，该研究利用机器学习从特定主题的短内容中有效预测人格，揭示了不同主题视频评论者的人格类型差异。比如 INFP 型人格（“调解者”）在整体数据集中占主导，反映出这类人格的一些特质。而在不同主题下，如阴谋论相关的 INTP 型（“逻辑学家”）和灵性、旅行主题的 INFP 型，其思维方式和决策依据存在明显区别。尽管研究存在数据不平衡、MBTI 标签来源等局限性，但仍为理解数字环境中的在线行为和人格动态做出了贡献，有助于后续研究进一步完善自动人格评估方法，更好地服务于个性化服务等领域。
