MBTIBENCH：一个用于MBTI人格检测的高质量数据集

MBTIBENCH：一个用于MBTI人格检测的高质量数据集

MBTIBENCH数据集是由哈尔滨工业大学、中南大学等机构的研究人员创建的用于MBTI人格检测的数据集。该数据集通过心理学专家的指导进行手动标注，解决了现有数据集中标签不准确的问题，并首次引入了软标签，能够更准确地反映人口中的人格分布。

构建方式

MBTIBENCH数据集的构建基于对现有MBTI人格检测数据集的优化，旨在解决现有数据集中存在的标签不准确和缺乏软标签的问题。首先，通过数据过滤指南，剔除了包含标签泄露和无用噪音的样本，确保数据质量。随后，在心理学专家的指导下，对清理后的数据进行手动重新标注，确保每个样本的标签与文本中体现的人格倾向一致。此外，为了捕捉人口中广泛存在的中等人格特质，数据集引入了软标签，通过EM算法估计样本的极性倾向，生成连续的标签值，从而更准确地反映人口中的人格分布。

特点

MBTIBENCH数据集的显著特点在于其高质量的手动标注和软标签的引入。与传统的硬标签不同，软标签能够捕捉到人格特质的连续性，避免了二元分类的局限性。此外，数据集通过心理学专家的指导，确保了标注的准确性和可靠性，解决了现有数据集中自我报告标签不准确的问题。实验结果表明，软标签能够更好地反映人口中的人格分布，尤其是在非极端人格特质的表现上。

使用方法

MBTIBENCH数据集可用于评估和训练大语言模型（LLMs）在MBTI人格检测任务中的表现。研究者可以通过该数据集进行模型训练和评估，特别是针对软标签的预测能力。数据集支持多种提示方法（如Zero-shot、Step-by-step、Few-shot和PsyCoT），研究者可以根据不同的提示策略进行实验，评估模型在不同维度上的人格预测能力。此外，数据集还可用于验证软标签在其他心理学任务中的有效性，如压力检测等。

背景与挑战

背景概述

MBTIBENCH数据集由哈尔滨工业大学、中南大学等机构的研究人员创建，旨在解决现有MBTI人格检测数据集中的标签不准确和极端标签缺失问题。该数据集首次引入了软标签，通过心理学家的指导进行手动标注，确保标签与人口性格分布一致。MBTIBENCH的构建不仅解决了自报告标签的错误问题，还通过软标签估计方法捕捉了非极端性格特征，为大语言模型（LLMs）在人格检测领域的研究提供了高质量的数据支持。

当前挑战

MBTIBENCH数据集的构建面临两大主要挑战：一是现有数据集中自报告标签的错误问题，导致标签与实际语言模式不匹配；二是现有数据集仅使用二元硬标签，无法反映人口中广泛存在的非极端性格特征。此外，数据集的构建过程中还需解决标签泄露和无用噪音等问题，确保数据质量。通过引入软标签和专家指导的手动标注，MBTIBENCH成功解决了这些问题，但如何在更大规模上扩展数据集并保持高质量仍是一个挑战。

常用场景

经典使用场景

MBTIBENCH数据集的经典使用场景主要集中在基于文本内容的人格类型检测，特别是Myers-Briggs Type Indicator (MBTI)人格类型的自动识别。该数据集通过高质量的手动标注和软标签设计，解决了现有数据集中自报告标签不准确和硬标签无法捕捉人格分布多样性的问题。研究者可以利用该数据集训练和评估模型，以更准确地从社交媒体帖子、博客等文本中推断用户的MBTI类型，从而推动人格检测领域的研究进展。

解决学术问题

MBTIBENCH数据集解决了现有MBTI人格检测数据集中存在的两大主要学术问题：一是自报告标签的不准确性，导致数据质量问题；二是硬标签无法反映人格特质的连续性和多样性，忽略了非极端人格特质的存在。通过引入软标签和心理学专家的指导，该数据集不仅提高了人格检测的准确性，还为研究者提供了更符合人口特质分布的标签，推动了人格检测任务的优化和模型性能的提升。

衍生相关工作

MBTIBENCH数据集的发布催生了一系列相关研究工作，特别是在人格检测和自然语言处理领域。研究者们基于该数据集开发了多种模型和算法，探索了软标签在人格检测任务中的优势，并进一步研究了大型语言模型（LLMs）在人格检测中的表现和偏差。此外，该数据集还推动了跨学科研究，如将MBTI人格类型与心理健康检测任务结合，验证了软标签在相关任务中的有效性，为未来的研究提供了新的方向和思路。