Потенціал штучного інтелекту у психологічному профайлінгу за суб'єктивними оцінками фахівців-психологів
DOI:
https://doi.org/10.17721/BPSY.2026.1(23).13Ключові слова:
ШІ, великі мовні моделі, цифрові сліди, психодіагностика, профайлінгАнотація
Вступ. В умовах повномасштабної російсько-української війни та зростання потреби у швидкому психологічному оцінюванні персоналу сил безпеки і оборони особливої актуальності набуває пошук нових інструментів психодіагностики. Одним із перспективних напрямів є використання штучного інтелекту для психологічного профайлінгу на основі цифрових слідів користувача, зокрема історії його взаємодії з великими мовними моделями. Метою дослідження було на основі опитування фахівців у галузі психології оцінити якість і точність психологічних профілів особистості, згенерованих системами штучного інтелекту.
Методи. Дослідження проводилось у форматі анонімного онлайн-опитування з елементами природного експерименту. Учасники самостійно запускали стандартизовані промпти у звичних для себе ШІ-системах, які мали доступ до попереднього контексту взаємодій, і оцінювали точність отриманих профілів. У фінальний аналіз було включено
29 фахівців у галузі психології. Оцінювалися три підходи: Big Five (OCEAN), психодинамічна модель Н. МакВільямс та аналітичний профайлінг. Для обробки даних використовувалися описова статистика, критерії Фрідмана і Вілкоксона, а також кореляційний аналіз Пірсона.
Результати. Усі три підходи отримали подібні оцінки точності в межах помірно доброго рівня відповідності дійсності: Big Five – 7,1 бала, психодинамічний підхід – 6,9 бала, аналітичний профайлінг – 7,2 бала за 10-бальною шкалою. Загальна суб'єктивна оцінка якості ШІ-профайлінгу також склала 7,1 бала. Статистично значущих відмінностей між підходами не виявлено. Встановлено, що фахівці з вищою самооцінкою компетентності у профайлінгу критичніше оцінювали результати ШІ, тоді як більша різноманітність тематики попереднього спілкування з ШІ була пов'язана з вищими оцінками точності. Якісні відповіді респондентів додатково показали, що ефективність ШІ-профайлінгу суттєво залежить від обсягу й змістової різноманітності доступного контексту.
Висновки. Сучасні системи штучного інтелекту здатні формувати психологічні профілі, які фахівці оцінюють як такі, що помірно добре відповідають дійсності. Отримані результати свідчать про перспективність застосування ШІ як допоміжного інструменту в психологічній діагностиці, зокрема у сфері психологічного відбору та супроводу персоналу сил безпеки і оборони. Водночас використання таких систем потребує критичного ставлення до результатів, подальшої об'єктивної валідації та врахування питань захисту персональних даних.
Завантажити
Посилання
Eichstaedt, J. C., Smith, R. J., Merchant, R. M., Ungar, L. H., Crutchley, P., Preoţiuc-Pietro, D., Asch, D. A., & Schwartz, H. A. (2018). Facebook language predicts depression in medical records. Proceedings of the National Academy of Sciences, 115(44), 11203–11208. https://doi.org/10.1073/ pnas.1802331115
Föyen, L. F., Zapel, E., Lekander, M., Hedman-Lagerlöf, E., & Lindsäter, E. (2025). Artificial intelligence vs. human expert: Licensed mental health clinicians' blinded evaluation of AI-generated and expert psychological advice on quality, empathy, and perceived authorship. Internet Interventions. https://doi.org/10.1016/j.invent.2025.100841
Guntuku, S. C., Yaden, D. B., Kern, M. L., Ungar, L. H., & Eichstaedt, J. C. (2017). Detecting depression and mental illness on social media: An integrative review. Current Opinion in Behavioral Sciences, 18, 43–49. https://doi.org/10.1016/j.cobeha.2017.07.005
Hurkovskyi, V., Romanenko, Ye., Nedbalek, K., Semenenko, L., Duzhyi, R., & Semenenko, A. (2025). Military pedagogy and psychology in the context of the Russian-Ukrainian war: Problems, solutions, and prospects for development. International Scientific Journal "Military Science", 3(3), 66–82. https://doi.org/10.62524/msj.2025.3.3.5
Kosinski, M., Stillwell, D., & Graepel, T. (2013). Private traits and attributes are predictable from digital records of human behavior. Proceedings of the National Academy of Sciences, 110(15), 5802–5805. https://doi.org/10.1073/pnas.1218772110
Lingiardi, V., & McWilliams, N. (Eds.). (2026). Psychodynamic Diagnostic Manual (3rd ed.; PDM-3). Guilford Press. ISBN 9781462558711.
Matz, S. C., Kosinski, M., Nave, G., & Stillwell, D. J. (2017). Psychological targeting as an effective approach to digital mass persuasion. Proceedings of the National Academy of Sciences, 114(48), 12714–12719. https://doi.org/10.1073/pnas.1710966114
Ocana Flores, H. I., & Luna, A. (2024). AI for psychological profiles: Advances, challenges, and future directions. Ciencia Latina Revista Científica Multidisciplinar, 8(3), 10592–10609. https://doi.org/10.37811/cl_rcm.v8i3.12221
Papneja, H., & Yadav, N. (2025). Self-disclosure to conversational AI: A literature review, emergent framework, and directions for future research. Personal and Ubiquitous Computing, 29, 119–151. https://doi.org/10.1007 /s00779-024-01823-7
Pataranutaporn, P., Lee, E., Amores, J., & Maes, P. (2026). Personal validation effect in LLMs: Positive AI responses bias perceptions of validity, reliability, personalization, and usefulness of fictitious predictions. In Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (pp. 1–18). ACM. https://doi.org/10.1145/3772318.3791851
Peters, H., Cerf, M., & Matz, S. C. (2024). Large language models can infer personality from free-form user interactions (arXiv:2405.13052). arXiv. https://doi.org/10.48550/arXiv.2405.13052
Staab, R., Vero, M., Balunović, M., & Vechev, M. (2024). Beyond memorization: Violating privacy via inference with large language models. In Proceedings of the Twelfth International Conference on Learning Representations (ICLR 2024). https://doi.org/10.48550/arXiv.2310.07298
Youyou, W., Kosinski, M., & Stillwell, D. (2015). Computer-based personality judgments are more accurate than those made by humans. Proceedings of the National Academy of Sciences, 112(4), 1036–1040. https://doi.org/10.1073/pnas.1418680112
Zell, E., & Lesick, T. L. (2022). Big five personality traits and performance: A quantitative synthesis of 50+ meta-analyses. Journal of Personality, 90(4), 559–573. https://doi.org/10.1111/jopy.12683
Zhu, J., Jin, R., & Coifman, K. G. (2025). Investigating large language models in inferring personality traits from user conversations (arXiv:2501.07532). arXiv. https://doi.org/10.48550/arXiv.2501.07532
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Вісник Київського національного університету імені Тараса Шевченка. Психологія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
