研究人員探索：眼動追蹤助力揭示個性特徵

俄羅斯的一項研究表明，機器學習系統能夠利用眼動數據預測青少年的某些個性特徵，其準確性略高於隨機猜測的水平。該研究認定馬基雅維利主義和外向性這兩種特徵最具可預測性。該研究發表在《公共科學圖書館·綜合》上。

個性是一系列持久的特徵、行爲和思維模式，它塑造了個人感知、迴應以及與環境和他人互動的方式。雖然有關人類個性的理論衆多，但大五人格模型或許是被廣泛接受程度最高的。

該模型通過五個廣泛的特徵來描述個人的個性：經驗開放性反映了好奇心、想象力以及探索新想法的意願；盡責性包含自律、組織能力以及爲實現目標所具備的責任感；外向性涵蓋了社交能力、自信以及對刺激環境的偏好；宜人性表明了具有同情心、善於合作以及對他人福祉的關心；還有神經質，描述了情緒的不穩定，包括焦慮和情緒波動等傾向。

最近，科學家們提出了另外一組描述人類性格“黑暗”方面的三個特徵。這些特徵合稱爲“黑暗三聯徵”，包括自戀，其特點表現爲自負、渴望得到欽佩以及擁有特權感；馬基雅維利主義，涉及操縱、欺騙和關注個人利益；以及精神病態，其特徵是缺乏同理心、衝動和反社會行爲。

研究作者埃琳娜·齊格曼（Elina Tsigeman）及其同事指出，人格特徵最常使用自我報告來評估，這極易受到各種形式的偏見甚至是完全的造假的影響。研究一致表明，當有此動機時，個人通常能夠操縱他們的人格評估。正因如此，尋得評估人格的替代方法或許有助於突破這些限制。

這些研究人員想知道是否可以使用眼動數據來預測人格。眼動數據指的是所記錄的眼動模式，例如注視（一個人的目光定格在一個點上）和掃視（焦點之間的快速切換）。這些模式揭示了個人如何在視覺上感知他們的環境，他們關注的是什麼，以及他們的整體觀察行爲。通常，這些數據是通過專門的眼動追蹤設備收集的，最近的技術進步使收集變得更容易且侵入性更小。

研究人員招募了 35 名俄羅斯青少年（平均年齡爲 14 歲，最終有 30 名參與者被納入最終的分析）。樣本中男性佔主導，有 20 名男性參與。參與者需要有正常的視力，因爲像眼鏡和隱形眼鏡這樣的矯正設備會干擾眼動追蹤的準確性。

爲了評估參與者的個性特徵，研究人員使用了“大五人格量表”和“短黑暗三聯徵問卷”，這是兩種成熟的自我報告工具。完成這些問卷後，每位參與者戴上頭戴式眼動追蹤器，校準後，由研究人員帶領沿着走廊前往一個擺滿現代小工具展品的博物館。在 10 分鐘的博物館參觀期間，參與者自由探索展示品，研究人員在附近等待，沒有給出具體的指示或指導。參與者返回實驗室時也走同一條走廊，研究人員在往返途中都陪同着他們。

在整個過程中收集了眼動數據，每個參與者平均被記錄 15 - 16 分鐘（在博物館約 10.75 分鐘，在走廊約 4.86 分鐘）。然後將這些數據分爲三個部分進行分析：走廊（或“路徑”）數據、博物館數據以及走廊與博物館的綜合數據。

爲了檢測人格特質的可預測程度，研究人員將多種機器學習算法應用於每個部分的眼動數據，運用交叉驗證等技術來確保結果的可靠性。他們對每種算法在預測大五人格和黑暗三人格特質上的表現進行了評估。結果顯示，一些算法所做出的人格特質預測在統計學上優於隨機概率。值得注意的是，馬基雅維利主義和外向性這兩種特質的預測最爲準確，而像責任心和自戀等其他特質的預測可靠程度較低。

有趣的是，在走廊所收集的數據具有最高的預測準確度，其次是博物館的數據，而綜合數據的效果是最差的。走廊環境或許由於存在社交線索以及參與者與研究人員的互動，從而提高了預測的準確性。相比之下，在博物館環境裡，參與者獨自與展品進行互動，可能導致更易變化的眼動，受到一致的社交刺激的影響較小。

某些機器學習算法，比如樸素貝葉斯、Adaboost 和 k 近鄰算法，表現得特別出色，某些特質的準確率高達 48%（相較而言，隨機概率基線爲 33%）。其他算法，像是邏輯迴歸和隨機森林，效果不太好，可能是由於這些模型處理非線性數據的方式有所不同——這是人格預測研究中的一個常見難題。

該研究的結果凸顯了眼動追蹤作爲個性評估工具的潛力，特別是在自然環境中，這可能提供一種比傳統實驗室環境更具生態有效性的個性評估方式。然而，目前還不清楚這些研究結果能在多大程度上推廣到該研究中所使用的特定走廊和博物館之外的環境裡所收集的眼動數據、其他人羣或者不同類型的眼動數據。

此外，雖然交叉驗證有助於確保一致性，但機器學習的結果可能會因爲參數的變化或者新數據而有所不同，這凸顯了在未來的研究中需要標準化程序。

這篇題爲“AI 能看到你：馬基雅維利主義和外向性反映在眼動中”的論文由埃琳娜·齊格曼、維多利亞·澤姆利亞克、馬克西姆·利哈諾夫、科斯塔斯·A·帕帕喬治烏和尤利婭·科瓦斯撰寫。