Persona-E2-Dataset

Persona-E²（Persona-Event2Emotion）是一个大规模、基于人类标注的数据集，旨在弥合人格特质与情感评估之间的鸿沟。与传统情感计算研究不同，Persona-E²强调读者的视角，捕捉个体倾向如何导致对同一刺激的不同情感反应。数据集包含3,111个经过筛选的事件，每个事件由36名标注者独立盲标，共计111,996个高质量标注。标注者通过Myers-Briggs Type Indicator (MBTI)和Big Five Inventory (BFI)进行了全面的人格分析。数据集涵盖新闻、社交媒体和生活经验三个主要领域，并引入了Group Consensus Score (S_consensus)和Subjective Divergence Subset (SDS)等高级指标。数据集结构包括三个核心CSV文件：1_dataset_all_annotators.csv（所有标注者的原始情感标注）、2_dataset_group_consensus.csv（基于BFI的人格聚类情感标注）和3_annotator_profiles.csv（标注者的人口统计和人格档案）。数据集适用于情感分类、人格计算和LLM评估等任务，遵循CC BY-NC-SA 4.0许可，仅限学术研究使用。

原始信息汇总

Persona-E² 数据集概述

数据集基本信息

• 数据集名称：Persona-E² (Persona-Event2Emotion)
• 语言：英语 (en)、中文 (zh)
• 许可证：CC BY-NC-SA 4.0
• 任务类别：文本分类
• 标签：心理学、情感分类、情感计算、大语言模型、人工标注
• 规模类别：100K < n < 1M
• 配置：
  • all_annotators：数据文件为 1_dataset_all_annotators.csv
  • group_consensus：数据文件为 2_dataset_group_consensus.csv
  • annotator_profiles：数据文件为 3_annotator_profiles.csv
• 数据量：111,996 条高质量标注
• 联系方式：[e-mail]
• 论文：https://arxiv.org/abs/2604.09162
• 项目主页：https://scut-hai.github.io/Persona-E2/

数据集简介

Persona-E² 是一个大规模、以人为中心的数据集，旨在连接人格特质与情感评估。该数据集关注读者的视角，捕捉个体倾向如何导致对同一刺激产生不同的情感反应，为评估大语言模型是否能真正捕捉特质驱动的情绪多样性提供了严格的基准。

核心特征

• 高标注密度：数据集中的每个事件均由 36 位标注员 独立盲标，总计 111,996 条高质量标注。
• 全面的人格画像：标注员使用 迈尔斯-布里格斯类型指标 和 大五人格量表 进行画像。
• 跨领域多样性：数据集涵盖三个主要领域，包含 3,111 个经过筛选的事件：新闻、社交媒体 和 生活经历。
• 高级指标与 SDS：引入了基于归一化熵的 群体共识分数 以验证标签。数据集还包含一个 主观分歧子集，由 413 个高度争议的事件组成，突显了情感反应明确但严重受人格影响的场景。

数据结构

数据集包含 3 个核心 CSV 文件。

1. 1_dataset_all_annotators.csv

包含全部 3,111 个事件以及来自所有 36 位参与者的原始细粒度情感标注。 主要列包括：

• id / index：文本事件的唯一标识符。
• chinese_item / english_item：事件的双语文本。
• data_source：原始平台。
• category：细粒度语义子类别。
• top1_emotion：普通读者多数投票的情感。
• emotion_distribution：情感概率分布的 JSON 字符串。
• E[1-36]_emo：参与者 E1 到 E36 标注的具体情感。
• E[1-36]_confidence：自报告的情感置信度分数 (1-5)。

2. 2_dataset_group_consensus.csv

将个体标注聚合为 6 个基于 BFI 的不同人格聚类，以追踪组内一致性。 主要列包括：

• g[1-6]_emo：特定人格组 (g1 到 g6) 内的主导情感标签。
• g[1-6]_members：此聚类中的具体标注员 ID。
• g[1-6]_consensus_score：群体共识分数。

3. 3_annotator_profiles.csv

包含所有 36 位标注员的匿名化人口统计信息和全面人格画像。 主要列包括：

• ID：匿名标识符 (E1 到 E36)。
• GNDR：标注员性别 (M/F)。
• MBTI：16 种迈尔斯-布里格斯分类。
• Open. / Cons. / Extra. / Agree. / Neuro.：大五人格量表分数，归一化到连续范围 [0.0, 1.0]。

事件来源与统计

为构建多样且全面的数据集，数据来源于新闻、社交媒体讨论和特定生活经历叙述等不同渠道。

领域	来源	链接	Cutoff	数量
新闻	ABC_news	https://abcnews.go.com/abcnews	3.5	130
新闻	BBC_news	https://www.bbc.com/	3.5	248
新闻	Independent	https://www.independent.co.uk/news	3.5	36
新闻	Today	https://tophub.today/c/tech	4.0	314
新闻	The Paper	https://tophub.today/c/tech	4.0	273
新闻	Weibo	https://weibo.com/u/2656274875	4.0	478
新闻	WeChat	https://tophub.today/c/tech	4.0	37
社交媒体	SocialChem	-	4.0	416
社交媒体	Reddit	https://www.reddit.com/	4.7	440
生活经历	B.E.	https://www.reddit.com/r/BenignExistence/	4.0	140
生活经历	FMylife	https://www.fmylife.com/	4.0	507
生活经历	IUTB	http://iusedtobelieve.com/	4.0	26
生活经历	KindLife	https://www.randomactsofkindness.org/kindness-stories	4.0	66

收集与标注方法

1. 三阶段事件筛选：初始超过 76,000 个事件经过严格筛选：内容安全过滤 -> 多维度 LLM 评分 -> 专家验证。
2. 受控的人工标注：36 位筛选过的参与者通过定制在线平台独立标注所有最终确定的事件。
3. 伦理与隐私：整个实验方案，包括个人身份信息匿名化和公平劳动报酬，均经过机构审查委员会审查和批准。

快速开始

可以使用 pandas 和 seaborn 加载和探索数据集。

许可证与使用限制

本数据集根据 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议 发布。

• 仅限学术使用：仅限于纯学术研究、教育目的和非商业模型对齐实验。
• 相同方式共享：如果您混合、转换或基于本材料创作，您必须在相同许可下分发您的贡献。
• 禁止商业画像：禁止用于训练旨在监控、画像或操纵真实用户心理特征的商业产品。

引用

如果在研究中使用 Persona-E²，请引用我们的 ACL 论文。

搜集汇总

数据集介绍

构建方式

在情感计算领域，传统研究常将情感视为文本的静态属性，而Persona-E²数据集则致力于捕捉个体特质如何塑造对同一文本事件的情感反应。该数据集的构建遵循严谨的多阶段流程：首先从新闻、社交媒体和生活叙事三大领域收集超过七万六千条原始文本，随后通过内容安全过滤、多维大语言模型评分及专家验证的三级筛选机制，最终精选出三千一百一十一条具有心理差异潜力的文本事件。三十六名经过筛选的标注者在独立盲审环境下，为每条事件提供精细的情感标注，并同步完成迈尔斯-布里格斯类型指标和大五人格量表的心理测评，从而建立起人格特质与情感反应之间的可靠关联。

使用方法

该数据集为研究人格特质与情感评估的交互关系提供了结构化基准。研究者可通过加载核心标注文件，分析不同人格集群对同一事件的情感反应分布，或利用群体共识文件探究特定人格特质组内的情感一致性。数据集支持对主观分歧子集的深入挖掘，以检验模型在人格驱动的情感多样性上的表现。使用中需遵循知识共享署名-非商业性-相同方式共享4.0国际许可协议，仅限学术研究与非商业模型对齐实验，严禁用于商业用户心理画像或监控用途。

背景与挑战

背景概述

在情感计算与心理学交叉领域，传统研究常将文本情感视为静态属性，忽视了读者个体特质对情绪评估的动态影响。为弥合人格特质与情绪反应之间的研究鸿沟，华南理工大学人机交互与智能系统实验室于2026年构建了Persona-E²数据集。该数据集旨在探究人格如何塑造个体对同一文本事件的差异化情感解读，其核心研究问题聚焦于突破大型语言模型在情感理解中的表面刻板印象，即“人格幻觉”。通过整合迈尔斯-布里格斯类型指标与大五人格量表，该数据集为评估模型能否捕捉特质驱动的情绪多样性提供了严谨基准，推动了个性化情感计算的发展。

当前挑战

该数据集致力于解决情感分类领域的关键挑战：如何建模人格特质对情绪反应的动态调节机制，而非仅进行静态文本情感标注。构建过程中的挑战主要体现在数据采集与标注的复杂性上：首先，需从新闻、社交媒体及生活叙事等多领域筛选具有心理差异潜能的文本事件，涉及大规模初始语料的安全过滤与多维评分；其次，为确保标注质量，需招募并筛选36名标注者，实施独立盲注，并整合其详细人格剖面，此过程对实验设计与伦理审查提出了极高要求。此外，如何量化群体共识并识别高争议性子集，以凸显人格依赖的情感分歧，亦是数据集构建的核心难点。

常用场景

经典使用场景

在情感计算与个性化人工智能领域，Persona-E²数据集为探索人格特质如何塑造个体对文本事件的差异化情感反应提供了关键基准。该数据集通过整合新闻、社交媒体与生活经历等多领域事件，并标注了36位具有详尽人格档案的参与者的情感反馈，使得研究者能够深入分析外向性、神经质等大五人格维度与情绪评估之间的动态关联。其经典应用场景在于训练和评估大型语言模型，以检验模型是否能够超越表面刻板印象，真正模拟出由人格驱动的、多样化的情感响应模式。

解决学术问题

该数据集致力于解决情感计算中长期存在的核心学术问题，即如何超越将情感视为文本静态属性的传统范式，转而关注读者视角下的主观情感建构。通过引入高密度的人工标注与人格聚类分析，Persona-E²为验证模型是否陷入“人格幻觉”提供了严谨的实证基础。它推动了对于情绪评估个体差异性的量化研究，弥合了人格心理学与计算语言学之间的理论鸿沟，为构建更具解释性与人性化的人工智能系统奠定了数据基石。

实际应用

在实际应用层面，Persona-E²数据集为开发个性化的情感交互系统提供了重要支撑。例如，在心理健康辅助、个性化内容推荐或教育技术领域，系统可以借鉴该数据集中揭示的人格-情感映射规律，为不同特质的用户提供更具共情力与适应性的反馈。此外，其包含的高度争议性子集有助于识别和调试算法在敏感或复杂情境下的偏见，提升人工智能系统在现实世界中的鲁棒性与公平性。

数据集最近研究

最新研究方向

在情感计算与心理学交叉领域，Persona-E²数据集正推动着前沿研究向人格驱动的动态情感建模深化。该数据集通过整合大五人格与MBTI等精细心理剖面，并引入群体共识评分与主观分歧子集等创新指标，为探索大型语言模型是否能够超越表层刻板印象、真正理解特质引导的情感多样性提供了关键基准。相关研究紧密关联着当前人工智能对齐与可解释性热点，致力于揭示模型在模拟人类复杂情感反应时的内在机制与局限，对构建更具个性化与同理心的人机交互系统具有深远意义。