Hart, S. (2008)。《大脑、依恋、人格:神经情感发展导论》。伦敦:Karnac Books。ISBN:978-1-85575-588-8 Susan Hart 将发展心理学与神经科学的最新发现交织在一起,既通俗易懂又信息量丰富。从大脑神经生物学的分子水平开始,最终到达认知组织的顶峰,Hart 仔细地分层讨论每个阶段,得出“依恋对人格形成的重要性”。《大脑、依恋、人格》是不断变化的神经科学领域的一本重要序言。(Shawn Lee)
本研究旨在分析埃德加·赖特执导的《极盗车神》电影中 Baby 所代表的性格特征。近几个世纪以来,人物塑造研究蓬勃发展。电影中的性格特征研究是发展和识别电影中某些角色的一种有趣方式。本研究采用描述性定性方法。本研究的数据是 Baby 的对话和陈述,与电影剧本中的性格特征理论有关。数据来源是《极盗车神》电影。通过描述言语和陈述的言外行为研究结果分析了大五理论的结果。研究发现,电影中 Baby 代表了五种性格特征。它们是 (1) 内向/外向、(2) 神经质、(3) 尽责、(4) 开放性经验和 (5) 随和性。本研究还证明,人类,尤其是青少年,总是会发生冲突。有一段时间,一个人选择内向,而第二天他或她选择外向。人物塑造学习被认为是一种区分电影或现实生活中人物的工具。关键词:人格特质、言语行为、言外行为。
本研究的总体目的是验证荣格人格问卷 (JPQ) 为工匠提供的职业分类。JPQ 关注正常行为,并提供人格的功能描述,可用于职业咨询。JPQ 量表基于荣格的人格类型学,包括外向-内向、思考~感觉和感觉-直觉。判断-感知量表是从该理论推断出来的。包括自我导向搜索问卷 (SDS) 以提供附加信息,作为人格和兴趣的进一步衡量标准。这些问卷在人力部用于职业咨询。此外,该部门还为学徒提供安置或选拔方面的咨询。验证此分类是否符合南非工匠条件至关重要。
美国人(与更高)社会阶层环境中的美国人不太可能相信他们有助于社会。通过给他人的时间来帮助他人是向他人贡献也随社会阶层而变化的重要方法。五项研究(n = 7,326)调查了感知贡献中社会阶层差异的一种来源是否是一种默认模型,它考虑了帮助遥远的他人(即桥接帮助,例如志愿服务)的贡献,而不是帮助封闭他人(即债券帮助,例如,对家庭成员的志愿者)的贡献更多。在研究1中,在较低(较高)社会阶层的环境中,美国人对社会的贡献较少(即自我感知的贡献,A部分),并相信其他人认为他们的贡献较少(即享有的贡献,B部分)。 研究2 - 4提供了社会利益默认模型的证据:在社会阶层环境中的美国人,甚至帮助者自己认为弥合帮助更多地是贡献,而不是结合帮助,部分原因是,桥接帮助被视为反映了更多选择的帮助。 有一个代表性的样本(美国中年发展),研究5发现,在较低(较高的)社会阶层环境中,美国人从事相对较少的桥接帮助和更多的联系帮助。 但是,桥接帮助是与纽带帮助所做的更强大的促进感途径。 在一起,这些研究表明,较低社会阶层环境中的人们可能会遇到心理不平等,部分原因是,某些最容易获得,熟悉和实践的帮助形式被广泛认为是贡献的不太贡献。在研究1中,在较低(较高)社会阶层的环境中,美国人对社会的贡献较少(即自我感知的贡献,A部分),并相信其他人认为他们的贡献较少(即享有的贡献,B部分)。研究2 - 4提供了社会利益默认模型的证据:在社会阶层环境中的美国人,甚至帮助者自己认为弥合帮助更多地是贡献,而不是结合帮助,部分原因是,桥接帮助被视为反映了更多选择的帮助。有一个代表性的样本(美国中年发展),研究5发现,在较低(较高的)社会阶层环境中,美国人从事相对较少的桥接帮助和更多的联系帮助。但是,桥接帮助是与纽带帮助所做的更强大的促进感途径。在一起,这些研究表明,较低社会阶层环境中的人们可能会遇到心理不平等,部分原因是,某些最容易获得,熟悉和实践的帮助形式被广泛认为是贡献的不太贡献。
摘要:设计能够反映人格感的虚拟字符是虚拟现实和计算机图形中的研究和应用中的关键目标。越来越多的研究工作致力于调查通过将表达性的个性和样式注入虚拟化身,以构建多样,公平和包容的元方式。虽然大多数以前的工作都集中在探索虚拟角色动态行为的变化,但字符的视觉外观在影响其感知个性方面起着至关重要的作用。本文提出了一系列实验,评估了虚拟人物服装对其感知个性的影响。基于现实世界中进行的相关心理学研究,我们确定了一组可能反映虚拟特征的人格的服装因素:颜色,设计和类型。作为我们研究的框架,我们使用了“五巨头”个性模型来评估人格特质。为了检验我们的假设,我们进行了三个感知实验,以评估服装参数对角色人格的贡献。在我们的第一个实验中,我们通过不同的色调,饱和度和值来研究色素。在第二个实验中,我们评估了不同的领口,腰围和袖子设计的影响。在我们的第三个实验中,我们研究了五种服装类型的人格感知:专业,休闲,时尚,户外和室内。重要的结果为化身设计师提供了有关如何创建具有特定个性概况的虚拟字符的指导。我们进一步进行了验证测试,以扩展我们的发现的应用到增强现实(AR)和虚拟现实(VR)设置中的动画虚拟字符。结果证实,我们的发现可以广泛应用于VR和AR环境中通常用于游戏,娱乐和社交网络方案中的静态和动画虚拟字符。
人格预测系统是一个尖端的Web应用程序,旨在彻底改变工作申请流程。具有申请人和管理员的独特登录功能,该平台使管理员能够轻松地发布工作清单,注册公司个人资料并无缝管理招聘。申请人反过来可以探索公司资料,仔细发布的工作机会,并申请与他们的技能和偏好保持一致的角色。这一创新功能旨在优化成功的工作安置,从而使招聘经验更加高效,并为申请人和雇主量身定制。个性是一种复杂的结构,影响人类行为的各个方面,包括职业选择,工作绩效和人际关系。传统的人格评估方法,例如自我报告问卷和结构化访谈,可能会耗时且容易出现偏见。近年来,人们对利用机器学习技术的利益越来越感兴趣,以预测数字足迹(例如社交媒体帖子和在线简历(CVS))的人格特征。本文探讨了使用机器学习算法从CVS中包含的信息中预测人格特征的可行性。您的简历不仅仅是工作和技能清单。这是通往您个性的窗口,机器学习是解锁其秘密的关键。在这个项目中,我们正在戴上侦探帽,并使用机器
本书的重点将是一种指导折衷和综合治疗方法的模型的开发。因此,BPD不必被视为主要植根于异常的脑电路,或完全是由于Trau Matic经验所致。相反,从基因与环境相互作用方面最好理解其发展。我将采用类似的模型来了解如何使BPD成功进行处理。在过去的几十年中,已经促进了专门为BPD设计的各种心理治疗方法,但是每种方法都倾向于仅描述针对患者使用的干预措施的一部分。在本书中,我提出了一个折衷的模型,该模型整合了许多来源的想法。我还展示了几种计划中的精心策划疗法如何帮助BPD患者。您不必参加课程或遵循手册来管理这些案件。
• 与患者就目标症状达成一致。 • 讨论治疗方案*、副作用以及药物发挥任何作用所需的通常时间。 • 讨论疗效的限度和证据基础。 • 同意决定服用哪种药物,甚至决定是否服用药物,都是患者的责任。 • 允许患者从给出的选项中选择药物,如果被问到,给出明确的建议,但避免说服患者。 • 同意药物试用期将持续多长时间,并强调在该期限结束之前不会开出任何替代药物。此试用期通常与具有类似症状的许可适应症的试用期相同。例如,对于 BPD 患者,针对烦躁不安症状开具的 SSRI 应进行 4-6 周的试用,这是 SSRI 在重度抑郁症中的典型试用期。 • 同意如何客观衡量症状改善。没有用于此目的的特定工具,但改善应该以清晰可操作的术语来衡量。例如,如果医生开具 SSRI 以试图改变自残行为(一种冲动行为失控症状),那么在开始治疗之前,应与患者共同制定一个具体目标。如果指定的目标是:“一周内减少自残次数”,那么就需要一个基线频率来衡量变化。日记卡或类似的东西显然在这里很有用。还应该测量不太客观可测量的症状,如烦躁不安。这可以通过简单的“1 到 10”情绪自我评估来实现。正式的抑郁症评定量表可能对测量这种症状没有多大用处,除非患者实际上是抑郁而不是烦躁不安,因为它们测量的是抑郁综合征而不是单个症状。• 避免服用过量有危险或可能导致依赖的药物。开始治疗后:
随着 COVID-19 疫苗的可及性不断提高,个人选择在疫苗接种中的作用也在不断增强,并不是每个人都愿意接种疫苗。探索人格特质与疫苗接种之间的关联可以揭示一些个人层面的疫苗接种驱动因素和障碍。我们使用了五因素模型领域及其子特质的自我评分和线人评分,(a) 在接种疫苗时大约使用 100 个性格细微差别 (100NP) 项目池 (N = 56,575) 进行测量,(b) 在大流行前十年平均使用 NEO 人格清单-3 (NEO-PI-3;N = 3,168) 进行测量。我们测试了单个领域和项目(在 100NP 样本中)或方面(在 NEO-PI-3 样本中)与疫苗接种的关联,以及它们使用在独立样本分区中训练和测试的弹性网络模型预测疫苗接种的集体能力。尽管 NEO-PI-3 领域和方面无法预测十年后的疫苗接种情况,但在 100NP 样本中,这些领域与疫苗接种相关,在控制年龄、性别和教育水平后,接种疫苗的人在神经质和亲和性方面的得分略高,在开放性方面的得分较低。总的来说,这五个领域预测疫苗接种的准确率为 r = 0.08。在项目层面,关联性更强。平均而言,接种疫苗的人更有科学头脑、政治自由、尊重规则和权威、焦虑,但精神、宗教和自信程度较低。100NP 项目总体预测疫苗接种的准确率为 r = 0.31。我们得出结论,未接种疫苗的人可能是一个心理上异质的群体,并强调了疫苗接种运动中一些潜在的行动领域。
摘要 人工智能 (AI) 进入社会引发了许多希望和恐惧,人们对严格监管人工智能的必要性持有不同看法。本研究使用来自新西兰的成年人代表性样本 (N = 47,951 名参与者) 调查了人口统计和人格特征与严格监管人工智能的愿望之间的关系。数据显示,对严格监管人工智能的支持与宜人性、神经质和诚实-谦逊呈正相关。然而,它与经验开放性呈负相关。性别、年龄、种族、宗教信仰、社区经济贫困、农村生活、关系状况和父母身份等多种人口统计因素也与对人工智能监管的支持有关。然而,所有这些影响都相当小,表明人格和社会人口因素都有助于支持监管人工智能,但在理解人们对监管人工智能的支持时,还应考虑这些特征之外的其他因素。