Predikce osobnostních rysů Big Five z textu: scoping review

Abstract

This bachelor's thesis maps the research field of computational prediction of Big Five personality traits from text. Using a scoping review conducted according to the PRISMA-ScR methodology, a total of 174 studies published between 2005 and 2026 were analyzed. For the included studies, input data, personality measurement, text representation methods, predictive models, forms of the prediction task, and methodological quality were described. The results of the scoping review reveal considerable heterogeneity in the field. Input data are dominated by social media posts, used by 115 studies, and essays (69 studies). The personality of text authors is most often measured with self-report questionnaires, used by 138 of the included studies. Regarding text representation methods, 66 studies employ closed vocabularies. Open- vocabulary methods are, however, also widespread in the included literature; one of their forms - contextual representations - is used by 87 studies (i.e., half of the corpus). Among predictive models, classical machine learning (103 studies) prevails over fine-tuned transformers (53 studies) and prompted large language models (13 studies). The prediction task is most often formulated as binary classification. The quality appraisal of the included literature revealed widespread methodological...

Tato bakalářská práce mapuje výzkumnou oblast výpočetní predikce osobnostních rysů modelu Big Five z textu. Formou scoping review vypracovaného podle metodiky PRISMA-ScR bylo analyzováno celkem 174 studií publikovaných v letech 2005 až 2026. U zahrnutých studií byla popsána vstupní data, způsoby měření osobnosti, metody reprezentace textu, predikční modely, formy predikčních úloh a metodologická kvalita. Výsledky vypracovaného scoping review ukazují značnou heterogenitu dané oblasti. Vstupním datům dominují příspěvky ze sociálních sítí, které využívá 115 studií, a eseje (69 studií). Osobnost autorů vstupních textů je nejčastěji měřena sebeposuzovacími dotazníky, které využívá 138 zahrnutých studií. Co se týče metod reprezentace textu, 66 studií využívá uzavřené slovníky. Otevřené slovníky jsou však v zahrnuté literatuře rovněž rozšířené; jednu z jejich forem - kontextuální reprezentaci - využívá 87 studií (tedy polovina korpusu). Z predikčních modelů převažuje klasické strojové učení (103 studií) nad dolaďovanými transformery (53 studií) a promptovanými velkými jazykovými modely (13 studií). Predikční úloha je nejčastěji formulována jako binární klasifikace. Hodnocení kvality zahrnuté literatury poukázalo na rozšířené metodologické slabiny - zejména nedostatečný popis výzkumných vzorků, malé evaluační sady...