人格診断は、言語、音声、顔表情などの動的な行動から安定した人格特性を推測することを目的とした研究分野です。異なる人格次元は異なる行動的観点から表れるため、特性ごとの証拠をモデル化することは大きな課題となっていました。しかし既存のアプローチのほとんどは、すべての次元に対して統一的なマルチモーダル融合戦略を採用しており、各モダリティが同等の寄与度を持つと仮定していました。この仮定は特性ごとのモダリティ選好を見落とし、モダリティ間の干渉を引き起こしていました。 これらの問題に対処するため、研究チームは「Traits Run Deeper」と呼ばれる新しい人格診断フレームワークを提案しました。このフレームワークは3つの主要な構成要素からなります。まず、Multimodal Foundation Representation（MFR）モジュールは、人格指向のマルチモーダル入力を構築し、心理学に基づいた意味テンプレートをアンカーとして活用することで、基盤モデルが特性関連情報をより正確に捉えられるようにします。 次に、Trait-Specific Modality Fusion（TSMF）モジュールは非対称融合メカニズムとして機能し、各次元が異なるモダリティパスウェイを選択的に活用することを可能にします。これにより、異質なモダリティ選好を捉えつつ、モダリティ間の汚染を軽減します。さらに、Distribution-Calibrated Personality Regression（DCPR）モジュールは、対象分布の校正を通じてラベル不均衡と中心傾向バイアスに対処し、堅牢性と安定性を向上させます。 AVI Challenge 2026の検証セットでの実験結果によると、提案フレームワークはベースライン比で平均二乗誤差（MSE）を約25%削減し、公式テストセットでも最高性能を達成して「人格診断トラック」で第1位にランクされました。