محادثات باندورا: الشخصية والتركيبة السكانية على Reddit

الشخصية والتركيبة السكانية هي متغيرات مهمة في العلوم الاجتماعية والتطبيقات الاجتماعية الحسابية.ومع ذلك، فإن مجموعات البيانات مع كل من الشخصية والملصقات الديموغرافية نادرة.لمعالجة هذا، نقدم باندورا، أول مجموعة بيانات من تعليقات Reddit من مستخدمي 10K المسمى جزئيا مع ثلاث نماذج شخصية والتركيبة السكانية (العمر، النوع الاجتماعي، والموقع)، بما في ذلك مستخدمي 1.6k المسمى مع طراز شخصية كبير راسخة.نعرض فائدة هذه البيانات في ثلاث مجموعات على ثلاث تجارب، حيث نستفيد البيانات المتاحة بسهولة من نماذج شخصية أخرى للتنبؤ بها 5 سمات كبيرة، وتحليل تحيزات التصنيف بين الجنسين الناشئة عن المتغيرات النفسية والديموغرافية، وتنفيذ تحليل تأكد واستكشافي مقرهاعلى النظريات النفسية.أخيرا، نقدم طرازات التنبؤ القياسية لجميع المتغيرات الشخصية والمتغيرات الديموغرافية.

Personality and demographics are important variables in social sciences and computational sociolinguistics. However, datasets with both personality and demographic labels are scarce. To address this, we present PANDORA, the first dataset of Reddit comments of 10k users partially labeled with three personality models and demographics (age, gender, and location), including 1.6k users labeled with the well-established Big 5 personality model. We showcase the usefulness of this dataset on three experiments, where we leverage the more readily available data from other personality models to predict the Big 5 traits, analyze gender classification biases arising from psycho-demographic variables, and carry out a confirmatory and exploratory analysis based on psychological theories. Finally, we present benchmark prediction models for all personality and demographic variables.