智能手机数字表型分析在人格构念预测中的应用：超越五因素模型(FFM/Big5)的探索性研究

这篇综述创新性地将数字表型分析(DP)技术应用于人格心理学研究，通过智能手机传感器数据成功预测了16种人格构念中的4种（包括成人依恋理论、五因素模型等），其中22个特质/类型的预测效度达到r≥0.34。研究采用梯度提升树(GBT)等机器学习算法，发现通讯相关特征对人格预测贡献度达42%，为远程心理评估和人群分析(People Analytics)提供了新范式。

　　

智能手机数字表型分析开辟人格研究新维度

ABSTRACT

数字表型分析(DP)作为经验取样方法(ESMs)的延伸，通过智能手机产生的行为和环境数据量化人格差异。这项研究突破性地将分析范围扩展到16个人格构念中的59个特质/类型，包括气质和个人价值观理论。

Method

研究收集104名参与者7-10天的智能手机数字足迹，结合假设检验（演绎法）和机器学习（归纳法）进行分析。采用60:40的数据分割策略，通过Z-score标准化和特征工程生成38个行为预测变量，涵盖电池、通讯、屏幕等五大功能类别。

Results

在设定r≥0.34的预测阈值下，16个构念中的4个（25%）被成功预测：成人依恋（r=0.3775）、FFM/Big5（r=0.479）、痛苦承受力（r=0.53）和创造力（r=0.37）。59个特质/类型中22个（37.29%）达到预测标准。梯度提升树(GBT)在分析通讯相关特征时表现最优，相比决策树(DT)、随机森林(RF)和支持向量机(SVM)更具优势。

1 Introduction

全球60%人口（48亿）使用智能手机产生的海量数据，为通过加速度计、GPS等传感器进行实时人格评估提供了可能。研究整合了16种人格测量工具（如FFM/Big5、成人依恋理论等），在MacCorquodale和Meehl提出的"人格构念"框架下，首次系统评估了DP在跨人格理论中的应用潜力。

2 Materials and Methods

2.1 General

采用多阶段验证框架，将测试数据分割为7个子集以增强结果稳健性。通过AWARE-light应用收集蓝牙、电池、通讯等27类传感器数据，生成如"屏幕开启<15秒次数"等行为特征指标。

2.2 Data Collection and Processing

132名安卓用户经筛选保留104名有效样本（74%女性，平均年龄26.7岁）。使用包含500个问题的16项人格问卷，涵盖FFM/Big5、Fisher气质量表等工具，Cronbach's α均达标准。

2.3-2.6 数据分析

通过演绎法（相关分析、组间差异检验）和归纳法（机器学习）相结合的策略。GBT模型在预测人格特质时展现出42%的通讯特征权重，显著高于屏幕(18.52%)和网络特征(14.81%)。

3 Results

3.1 核心发现

• FFM/Big5中尽责性(r=0.34)、外向性(r=0.425)等4个特质被预测

• 成人依恋的安全型(r=0.41)、焦虑型(r=0.41)等3种类型达预测标准

• 施瓦茨价值观理论中7个维度如权力支配(r=0.57)预测效果突出

3.2 模型比较

GBT整体表现最佳，成功预测8个特质，其中：

• 创造力(r=0.37)通过决策树预测

• 痛苦承受力(r=0.53)通过SVM预测

4 Discussion

研究证实智能手机通讯模式是人格的强预测指标，这与Pinker的语言进化理论相呼应。尽管样本量(104人)和安卓系统限制可能影响泛化性，但采用7重验证框架显著提升了结果可靠性。值得注意的是，当放宽阈值至r≥0.3时，预测成功率达49.15%。

5 Contributions

该研究为人格心理学与数字技术的跨学科融合提供了方法论范例。未来结合大语言模型(LLMs)的文本分析能力，可进一步拓展DP在人力资源管理和个性化医疗中的应用场景。研究结果对实现无创式心理健康评估具有重要启示意义。