Οι αναρτήσεις που δημοσιεύει κάποιος στα κοινωνικά δίκτυα ενδέχεται να αποκαλύπτουν περισσότερα στοιχεία για την προσωπικότητά του απ’ όσα ο ίδιος αντιλαμβάνεται. Αυτό υποστηρίζει νέα μελέτη που εξέτασε κατά πόσο μοντέλα τεχνητής νοημοσύνης μπορούν να εκτιμήσουν τη θέση ενός ανθρώπου σε τρία χαρακτηριστικά που οι ψυχολόγοι αποκαλούν «Σκοτεινή Τριάδα» (Dark Triad): τον ναρκισσισμό, τον μακιαβελισμό και την ψυχοπάθεια.
Η έρευνα πραγματοποιήθηκε από επιστήμονες του Πανεπιστημίου Helmut Schmidt και της Medical School Hamburg στη Γερμανία και δημοσιεύθηκε στο Journal of Research in Personality. Οι ερευνητές εξέτασαν αν διαφορετικά συστήματα μηχανικής μάθησης μπορούσαν να προβλέψουν βαθμολογίες προσωπικότητας ανθρώπων χρησιμοποιώντας αποκλειστικά το κείμενο που είχαν γράψει στις αναρτήσεις τους στο Facebook.
Η «Σκοτεινή Τριάδα» δεν αποτελεί ψυχιατρική διάγνωση, αλλά ένα σύνολο χαρακτηριστικών προσωπικότητας που μελετώνται στην ψυχολογία. Ο ναρκισσισμός συνδέεται με έντονη ανάγκη αναγνώρισης, αίσθηση ανωτερότητας και δικαιώματος προνομιακής μεταχείρισης. Ο μακιαβελισμός περιγράφει τάσεις που σχετίζονται με χειριστικότητα, στρατηγική συμπεριφορά και μειωμένη ειλικρίνεια. Η ψυχοπάθεια, στο πλαίσιο αυτών των ερευνών, αφορά κυρίως στοιχεία όπως η παρορμητικότητα, η χαμηλή ενσυναίσθηση και η μειωμένη ευαισθησία στις συνέπειες των πράξεων.
Για την ανάλυση, οι ερευνητές χρησιμοποίησαν ένα υπάρχον σύνολο δεδομένων που περιλάμβανε τις 15 πιο πρόσφατες αναρτήσεις Facebook κάθε συμμετέχοντα, μαζί με τις απαντήσεις του σε ειδικά ερωτηματολόγια προσωπικότητας. Από τους αρχικούς 304 εθελοντές αποκλείστηκαν όσοι δεν πληρούσαν τα κριτήρια της έρευνας, όπως άτομα κάτω των 18 ετών, μη αγγλόφωνοι συμμετέχοντες ή άτομα με πολύ μικρό συνολικό όγκο κειμένου. Το τελικό δείγμα αποτελούνταν από 266 άτομα, με μέση ηλικία περίπου τα 27 έτη, ενώ λίγο πάνω από το 60% ήταν γυναίκες.
Τα προγράμματα τεχνητής νοημοσύνης δεν «διάβασαν» τις αναρτήσεις όπως θα τις διάβαζε ένας άνθρωπος. Αντίθετα, ανέλυσαν γλωσσικά χαρακτηριστικά, όπως τη συχνότητα συγκεκριμένων λέξεων, το συναισθηματικό περιεχόμενο, το ύφος έκφρασης, τη σύνδεση των λέξεων με έννοιες όπως δράση, αντίληψη ή κοινωνική συμπεριφορά, καθώς και ορισμένα δημογραφικά στοιχεία, όπως η ηλικία και το φύλο. Συνολικά χρησιμοποιήθηκαν 144 διαφορετικές μεταβλητές για κάθε άτομο.
Οι ερευνητές συνέκριναν επτά διαφορετικά μοντέλα μηχανικής μάθησης. Μεταξύ αυτών υπήρχαν απλούστερες τεχνικές, όπως η γραμμική παλινδρόμηση, αλλά και πιο σύνθετες μεθόδους, όπως το Random Forest, ένας αλγόριθμος που συνδυάζει πολλά μικρότερα μοντέλα λήψης αποφάσεων ώστε να καταλήξει σε μία τελική πρόβλεψη.
Το Random Forest παρουσίασε την καλύτερη επίδοση και στα τρία χαρακτηριστικά της Σκοτεινής Τριάδας. Σύμφωνα με τους ερευνητές, το μοντέλο αυτό κατάφερε να προβλέψει πιο κοντά στις πραγματικές βαθμολογίες των συμμετεχόντων σε σχέση με τα υπόλοιπα μοντέλα που εξετάστηκαν. Ωστόσο, η επιτυχία αυτή δεν σημαίνει ότι η τεχνητή νοημοσύνη μπορεί να χαρακτηρίσει με βεβαιότητα κάποιον ως «ναρκισσιστή» ή «ψυχοπαθή». Η μελέτη αφορούσε εκτιμήσεις πάνω σε ψυχομετρικές βαθμολογίες και όχι διάγνωση ανθρώπων.
Η ανάλυση των λέξεων έδειξε ότι διαφορετικά χαρακτηριστικά συνδέονταν με διαφορετικά γλωσσικά μοτίβα. Στην περίπτωση της ψυχοπάθειας, οι ισχυρότερες ενδείξεις προέρχονταν κυρίως από λέξεις που σχετίζονταν με αντίληψη, δράση και χρήση έντονης ή υβριστικής γλώσσας. Για τον ναρκισσισμό, εκτός από τη γλώσσα, σημαντικό ρόλο φάνηκαν να παίζουν η ηλικία και το φύλο, ενώ οι αναρτήσεις περιείχαν συχνότερα στοιχεία που σχετίζονταν με τεχνολογία, κοινωνική επικοινωνία και έντονη χρήση θαυμαστικών. Ο μακιαβελισμός φάνηκε να συνδέεται περισσότερο με δημογραφικά στοιχεία, αλλά και με γλωσσικές επιλογές που αφορούν συναισθήματα, επιθυμίες και αρνητική διάθεση.
Παρά τα ενδιαφέροντα ευρήματα, οι ίδιοι οι ερευνητές επισημαίνουν ότι τα αποτελέσματα πρέπει να αντιμετωπιστούν με μεγάλη προσοχή. Το δείγμα ήταν σχετικά μικρό και προερχόταν από χρήστες μιας συγκεκριμένης διαδικτυακής πλατφόρμας εργασιών, γεγονός που περιορίζει το κατά πόσο τα συμπεράσματα μπορούν να εφαρμοστούν σε ολόκληρο τον πληθυσμό. Επιπλέον, τα μοντέλα χρησιμοποιήθηκαν με τις αρχικές τους ρυθμίσεις και δεν βελτιστοποιήθηκαν ειδικά για το συγκεκριμένο πρόβλημα.
Η έρευνα ανοίγει επίσης ένα σημαντικό ζήτημα γύρω από την ιδιωτικότητα και τη χρήση τέτοιων τεχνολογιών. Ένα σύστημα που μπορεί να εξάγει συμπεράσματα για την προσωπικότητα κάποιου από τις διαδικτυακές του αναρτήσεις θα μπορούσε να χρησιμοποιηθεί σε πολλούς τομείς, από την έρευνα μέχρι την επιλογή προσωπικού. Ωστόσο, η χρήση του για αξιολόγηση ανθρώπων χωρίς τη συγκατάθεσή τους θα δημιουργούσε σοβαρά ηθικά και νομικά προβλήματα.
Το βασικό συμπέρασμα της μελέτης είναι ότι το ψηφιακό μας αποτύπωμα μπορεί πράγματι να περιέχει πληροφορίες για τον τρόπο σκέψης και έκφρασής μας. Παρ’ όλα αυτά, οι αναρτήσεις στα κοινωνικά δίκτυα δεν αποτελούν πλήρη εικόνα ενός ανθρώπου και η τεχνητή νοημοσύνη δεν μπορεί να αντικαταστήσει την ολοκληρωμένη ψυχολογική αξιολόγηση. Μπορεί να εντοπίζει γλωσσικά μοτίβα και πιθανές τάσεις, αλλά όχι να βάζει οριστικές «ταμπέλες» στους ανθρώπους.
Επιστημονική τεκμηρίωση:
Comparing machine learning methods for predicting dark triad personality traits using social media text data
Authors: Maxim Leberecht, Andre Nedderhoff, Steffen Zitzmann, Martin Hecht
Affiliations: Helmut Schmidt University, University of the Federal Armed Forces Hamburg, Germany (Leberecht, Nedderhoff, Hecht); Medical School Hamburg, Germany (Zitzmann)
Journal: Journal of Research in Personality, Volume 120, 2026, Article 104690
DOI: 10.1016/j.jrp.2025.104690
