用途
该技能用于从文本语料中推断大五人格（OCEAN）特质倾向，并将语言标记映射到人格维度，再把特质画像转换为具体的写作风格约束，以支持写作声音复刻。其核心原则是：人格会影响用词，但方式可测量且程度有限——大五特质与 LIWC 类别的平均绝对相关约为 0.14（Yarkoni, 2010），最强单项相关约为 0.23。这意味着基于文本的人格推断只能揭示倾向，永远不是诊断。所有输出都应视为连续谱上的相对位置，并带有较宽的置信区间，而非固定的人格分数。
研究基础：Stachl 等人 2022 年发表于 Psychological Bulletin 的元分析（26 项研究，N = 85,724）确认，20 个语言类别构成与自我报告及观察者报告的大五特质相关的“真相内核”。自我报告相关性较小（|r| = .08–.14）；观察者报告相关性为小到中等（|r| = .18–.39）。52 个 LIWC 类别合计解释约 5.1% 的自我报告人格方差，但解释约 38.5% 的观察者报告方差。
主要能力
- 从作者写作语料中刻画其人格倾向。
- 构建人格画像，用于写作风格复刻或声音匹配。
- 量化与每个 OCEAN 维度相关的语言标记。
- 将写作样本的特质指标与人群基线比较。
- 将特质位置输入原型分类或人设构建。
使用方式
工作流程包括七个步骤：
- 验证语料适用性与规模。
- 计算每个特质的语言标记频率。
- 对每个特质维度评分（原始指标）。
- 归一化分数并计算置信区间。
- 将特质位置映射到写作风格约束。
- 生成人格驱动的写作画像。
- 将发现写入 docs/analysis/15-big-five-personality.md。
适用性检查
- 词数：总计 1000 词以上。低于 1000 词应停止，报告数据不足，不计算特质分数。
- 词数置信度：3000 词以上为中等置信度。1000–3000 词可继续，但所有分数须标记为“低置信度”。
- 语言：以英语为主。非英语文本会使基于 LIWC 的标记列表失效，应标记或排除。
- 作者身份：单一作者或已知作者集合。混合/未知作者会稀释信号，须记录局限。
- 语境多样性：写作跨越 2 个以上主题或语境。单一语境写作（如全是工作邮件、全是游戏评论）会约束语言，特质分数反映的是语境而非本人，须显著标记。
- 编辑程度：经过最少编辑的自然写作。重度编辑或代笔文本反映的是编辑声音，而非作者人格。
- 时间跨度：最好来自多个写作场合。单次长时间写作的单一文档可能反映情绪而非特质。
若语料未通过适用性检查：报告失败情况，说明检查了什么、哪项失败、以及为何该语料的人格推断不可靠。不要对不适用数据强行分析。
语言标记频率计算
对每个特质维度，统计语料中已验证语言标记的出现次数。标记类别基于 Pennebaker & King (1999)、Yarkoni (2010) 和 Stachl 等人 (2022) 元分析，属于类别级指标，并非穷尽词表。
测量方法：
- 对语料分词（保留大小写以检测强调，再转小写计数）。
- 使用已验证词表统计落入各标记类别的词（如有 LIWC-22，或使用 VADER 词典用于情感类别、NRC EmoLex 用于情绪类别等开放替代）。
- 计算每个标记类别的频率率：count / total_words * 100。
- 单独跟踪结构标记：平均句长、类型-标记比、标点模式、代词比例。
特质评分
将原始标记频率转换为相对特质位置。每个特质在连续谱上评分，而非二元分类。
评分方法：对每个特质，从其标记类别计算加权综合。权重反映 Stachl 等人 (2022) 的元分析相关强度。
当没有 LIWC-22 等已验证工具时的评分启发式：
- 统计正向指标（与高特质水平相关的标记）频率。
- 统计负向指标（与低特质水平相关的标记）频率。
- 计算方向分数：(positive_rate - negative_rate) / (positive_rate + negative_rate)。
- 得到 -1.0（强烈低特质）到 +1.0（强烈高特质）的原始分数。
- 0.0 为中心 = 不确定 / 人群平均。
各特质主要标记与权重划分：
- 开放性：主要标记为长词、类型-标记比、冠词；次要标记为洞察词、试探性语言、介词；权重 60% 主要 / 40% 次要。
- 尽责性：主要标记为成就词、排除词、句长；次要标记为话语标记、将来时、否定精确性；权重 60% / 40%。
- 外向性：主要标记为社交词、积极情绪、we 代词；次要标记为感叹号率、非正式语域、短词；权重 60% / 40%。
- 宜人性：主要标记为积极情绪、肯定、低脏话；次要标记为家庭词、模糊限制、包容性语言；权重 60% / 40%。
- 神经质：主要标记为 I 代词、消极情绪、焦虑词；次要标记为过去时、悲伤词、愤怒词；权重 60% / 40%。
归一化与置信区间
将原始方向分数（-1.0 到 +1.0）转换为以 50 为中心的 0–100 量表：
normalized_score = 50 + (raw_score * 50)
其中 50 = 人群平均（不确定），0 = 极端低特质，100 = 极端高特质。
置信区间宽度取决于语料规模和语境多样性：
- 1000–2000 词，单一语境：+/- 25 分（极宽；结果仅供参考）。
- 1000–2000 词，多语境：+/- 20 分。
- 3000–5000 词，单一语境：+/- 20 分。
- 3000–5000 词，多语境：+/- 15 分。
- 5000–10000 词，多语境：+/- 12 分。
- 10000 词以上，多语境：+/- 10 分（实际下限——基于文本的推断有固有局限）。
位置解读：
- 0–20：极低。强烈低特质指标；远低于人群平均。
- 20–35：低。低于人群平均。
- 35–50：偏低平均。略低于到平均。
- 50：平均 / 不确定。无方向信号；可能确实平均，也可能数据不足。
- 50–65：偏高平均。略高于平均。
- 65–80：高。高于人群平均。
- 80–100：极高。强烈高特质指标；远高于人群平均。
适用场景
- 从作者写作语料中刻画其人格倾向。
- 构建人格画像以支持写作风格复刻或声音匹配。
- 量化与每个 OCEAN 维度相关的语言标记。
- 将写作样本的特质指标与人群基线比较。
- 将特质位置输入原型分类或人设构建。
限制
不适用于以下情况：
- 诊断人格障碍或临床状况（这不是临床工具）。
- 基于推断特质做出招聘、筛选或把关决定。
- 语料少于 1000 词（见数据不足处理）。
- 文本经过翻译、他人重度编辑或代笔（作者信号被稀释）。
- 仅单一语境写作（如全是工作邮件）——语境会约束语言并掩盖人格。
关键指标阈值：
- 最小语料规模（基础）：1000 词（IBM Watson Personality Insights 研究）。
- 最小语料规模（可靠）：3000 词以上（IBM Watson 验证研究）。
- 最优语料规模：5000–10000 词以上（Yarkoni 2010：博主平均 115,000 词）。
- 预期相关强度：r = 0.08–0.23（Stachl 等人 2022 元分析）。
- 方差解释（自我报告）：约 5.1%（52 个 LIWC 类别合计）。
- 方差解释（观察者）：约 38.5%（52 个 LIWC 类别合计）。
- 人群基线：0–100 量表上为 50 分（按定义，人群均值为中点）。
- 置信区间（典型）：+/- 15–20 分（在 0–100 归一化量表上）。