personality-profiler

パーソナリティプロファイラー

ソーシャルメディアのデータエクスポートから、包括的で拡張可能なパーソナリティプロフィールを生成します。

概要

エクスポートされたソーシャルメディアデータを分析し、次の用途に適した詳細なパーソナリティプロフィールを作成します。

1. AI アシスタントのパーソナライズ（パーソナライズされた応答のためのトレーニングデータ）
2. 自己省察とパターンの発見

ワークフロー

1. データの受け取り — ユーザーがエクスポートしたデータファイル（JSON/CSV）を提供します
2. データの解析 — プラットフォーム固有のパーサーを使って投稿、コメント、インタラクションを抽出します
3. 各次元の分析 — 8 つのパーソナリティ次元にわたって評価します
4. プロフィールの生成 — 拡張可能な JSON 形式で構造化プロフィールを出力します
5. 分析結果の要約 — 人が読みやすい要約を提示します

対応プラットフォーム

プラットフォーム	エクスポート形式	主なファイル
Twitter/X	ZIP アーカイブ	tweets.js、like.js、profile.js
LinkedIn	ZIP アーカイブ	Profile.csv、Connections.csv、Comments.csv、Shares.csv
Instagram	ZIP アーカイブ	content/posts_1.json、comments.json、profile.json

形式の詳細については、references/platform-formats.md を参照してください。

分析次元

次の 8 つの次元にわたってコンテンツを分析します。

1. コミュニケーションスタイル

• 口調：フォーマル ↔ カジュアル、真剣 ↔ 遊び心がある、率直 ↔ 婉曲的
• 冗長さ：簡潔 ↔ 詳細、箇条書きと段落のどちらを使うか
• 語彙：専門性のレベル、業界用語、口語表現

2. 興味・専門知識

• トピック：繰り返し登場するテーマ、注力分野
• 深さ：表面的な言及か、深く関与しているか
• 変化：興味が時間とともにどのように変化したか

3. 価値観・信念

• 優先事項：何を最も重視しているか（強調の仕方から推測）
• 支援活動：支持または推進している活動
• 哲学：世界観を示す要素

4. ソーシャルパターン

• エンゲージメントスタイル：自ら働きかけるか、応答するか、コメントするか、コンテンツを作成するか
• ネットワークの傾向：幅広いリーチか、緊密なコミュニティか
• インタラクションの口調：支持的、挑戦的、中立的

5. 感情表現

• 幅：感情を表す語彙の広さ
• 感情価：肯定的／否定的な傾向
• きっかけ：強い反応を引き起こすもの

6. 思考スタイル

• 推論：分析的か直感的か、データ重視か物語重視か
• 複雑さ：ニュアンスに富んだ立場か、単純明快な立場か
• 開放性：新しい考えを受け入れる姿勢

7. 職業上のアイデンティティ

• 分野：業界、役割、専門領域
• 志向：キャリアの方向性を示す兆候
• ネットワーク：職業上の人間関係のパターン

8. 時間的なパターン

• 活動のリズム：投稿、返信、交流を行う時間帯
• コンテンツの周期：季節的またはイベントに伴うパターン
• 成長の軌跡：表現がどのように変化してきたか

プロフィールスキーマ

次の拡張可能な JSON 構造でプロフィールを出力します。

{
  "version": "1.0",
  "generated_at": "ISO-8601 timestamp",
  "data_sources": [
    {
      "platform": "twitter|linkedin|instagram",
      "date_range": {"start": "YYYY-MM-DD", "end": "YYYY-MM-DD"},
      "item_count": 1234
    }
  ],
  "profile": {
    "summary": "2-3 paragraph narrative summary",
    "dimensions": {
      "communication_style": {
        "confidence": 0.0-1.0,
        "traits": {
          "formality": {"value": -1.0 to 1.0, "evidence": ["quote1", "quote2"]},
          "verbosity": {"value": -1.0 to 1.0, "evidence": []},
          "directness": {"value": -1.0 to 1.0, "evidence": []}
        },
        "patterns": ["pattern1", "pattern2"],
        "recommendations_for_ai": "How an AI should communicate with this person"
      }
    },
    "notable_quotes": [
      {"text": "quote", "context": "why notable", "dimension": "which dimension"}
    ],
    "keywords": ["term1", "term2"],
    "topics_ranked": [
      {"topic": "name", "frequency": 0.0-1.0, "sentiment": -1.0 to 1.0}
    ]
  },
  "extensions": {}
}

extensions フィールドを使うと、互換性を損なわずにカスタム次元を追加できます。

プロセス

ステップ 1：データの取り込み

ユーザーがファイルを提供した場合：

1. ファイル構造からプラットフォームを特定します
2. 主要なコンテンツファイルを特定します（上記のプラットフォーム表を参照）
3. 適切な形式ハンドラーで解析します
4. 次の共通内部構造に正規化します。

{
  "items": [
    {
      "id": "unique_id",
      "type": "post|comment|share|like",
      "timestamp": "ISO-8601",
      "content": "text content",
      "metadata": {
        "platform": "twitter",
        "engagement": {"likes": 0, "replies": 0, "shares": 0},
        "context": "reply_to_id or null"
      }
    }
  ]
}

ステップ 2：コンテンツ分析

各次元について：

1. 手がかりを抽出する — 関連するコンテンツの抜粋を見つけます
2. 特性を評価する — 次元ごとに定められた尺度で評価します
3. 根拠を集める — 代表的な引用を収集します
4. 信頼度を算出する — データ量と一貫性に基づいて算出します

確度の高い分析に必要な最小しきい値：

• 基本プロフィール：投稿 50 件以上
• 詳細プロフィール：投稿 200 件以上
• 高信頼度プロフィール：投稿 500 件以上

しきい値に満たない場合は、出力で信頼度が低いことを明記してください。

ステップ 3：プロフィールの生成

1. スキーマ内のすべての次元オブジェクトを設定します
2. 主な分析結果をまとめた説明文を作成します
3. 注目すべき引用（特に特徴的なものを 5～10 件）を抽出します
4. トピックを頻度とエンゲージメントに基づいて順位付けします
5. AI のパーソナライズに関する推奨事項を生成します

ステップ 4：出力の提供

次の 2 つの成果物を提供します。

1. JSON プロファイル — 構造化データ一式（personality_profile.json として保存）
2. Markdown の概要 — 人が読みやすいインサイトをまとめたドキュメント

AI パーソナライズの推奨事項

各ディメンションについて、AI システム向けの具体的なガイダンスを含めます。

推奨事項の例：

communication_style.recommendations_for_ai:
"Use a conversational but informed tone. Avoid excessive formality.
Include occasional humor. Lead with conclusions, then supporting detail.
Match their tendency for medium-length responses (2-3 paragraphs)."

interests.recommendations_for_ai:
"Can reference machine learning, distributed systems, and startup culture
without explanation. Assume familiarity with Python ecosystem. May enjoy
tangential connections to philosophy of technology."

複数のプラットフォームへの対応

複数のプラットフォームのデータを分析する場合：

1. まず各プラットフォームを個別に処理します
2. 相互参照して一貫性を確認します
3. プラットフォーム固有の振る舞い（例：LinkedIn ではよりフォーマル）を記録します
4. 仕事上のアイデンティティには、仕事関連のプラットフォームを重視します
5. その人らしい声には、個人向けのプラットフォームを重視します
6. プラットフォームに関する注記を付けて、統合プロファイルにまとめます

プライバシーに関する考慮事項

処理を始める前に：

1. ユーザーがデータの所有者であることを確認します
2. 分析はローカルで行われること（コンテンツに対する外部 API 呼び出しはないこと）を伝えます
3. 希望があれば、特定の人物やトピックを削除することを提案します
4. 出力は使用前に編集できます

プロファイルの拡張

プロファイルのスキーマは拡張に対応しています。

{
  "extensions": {
    "custom_dimension": {
      "confidence": 0.8,
      "traits": {},
      "patterns": [],
      "recommendations_for_ai": ""
    },
    "domain_specific": {
      "developer_profile": {
        "languages": ["python", "rust"],
        "paradigm_preference": "functional-leaning"
      }
    }
  }
}

ユーザーは、分析したい内容を説明することで、カスタムディメンションをリクエストできます。