Identifying the Personality Traits Using Handwriting Recognition in a Real-Time Environment
Notice bibliographique
Résumé
Traditional methods of personality assessment, such as questionnaires and interviews, rely on self-reporting and subjective interpretation, which can be influenced by biases and social desirability.A handwriting-based approach offers an alternative method that provides nonverbal cues and unconscious expressions, supplementing traditional methods and potentially offering more objective insights, especially with an automated approach, into personality traits.Non-real-time methods take longer due to manual analysis, and are often subjective and prone to bias, while real-time analysis with a convolutional neural network (CNN) model provides instant results.Real-time tools would have no human intervention, are more convenient and easily accessible.Reducing human intervention through real-time analysis with a CNN model enhances the reliability, objectivity, scalability, and speed of the handwriting assessment process, providing a significant advantage over traditional methods.The proposed system focuses on the use of deep learning (DL) techniques to determine a person's personality by analyzing their handwriting.With the use of deep learning, human intervention is much less, thus the variance in the results is also much less which ultimately increases precision in the final predictions or results.Not only does the project predict personality traits through handwriting analysis, but also does that in a realtime environment.Steps such as preprocessing, feature extraction, and label classification are involved in the prediction process.CNN model has been used in the proposed system, for the final Personality Prediction.The CNN model for handwriting analysis must balance speed and accuracy through efficient architecture design and parameter optimization, minimizing computational complexity and inference time.To achieve this challenge two models (or versions) were built, the second having better data augmentation with respect to image sizing to be given to the CNN Network.Performance using the evaluation metrics was calculated with a testing efficiency of 0.71 in model 1 and 0.74 in model 2 and 82% accuracy was obtained on this real-time data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».