Mixed-Profiling-Ansatz: Prompts und Open-Source Projekt

Mit dem Mixed-Profiling-Ansatz haben wir eine Methode zur Benutzermodellierung, die quantitative psychometrische Daten aus standardisierten Fragebögen mit qualitativen Erkenntnissen aus LLM-basierten Dialogen kombiniert, um schnell qualitative Profile von Nutzenden erstellen zu können. Dabei dienen die psychologischen Messungen als stabiler Anker, während ein adaptives Gespräch mit einem LLM eingesetzt wird, um das Profil anhand des individuellen Nutzerskontexts zu verfeinern und zu validieren. Das Besondere an diesem Ansatz ist, dass er die Vertrauenswürdigkeit und Genauigkeit der Personalisierung signifikant erhöht, indem er eine tiefgehende psychologische Fundierung mit natürlicher Interaktion verbindet, ohne auf langwierige Verhaltensbeobachtungen angewiesen zu sein.

Hier stellen wir nun die genutzten Prompts zur Verfügung und verweisen auf eine Open-Source-Implementierung in der oTree-Softwareumgebung. Letzteres lässt sich dabei natürlich auch auf verschiedene andere technische Umgebungen übertragen. Auch die spezifischen Dimensionen (hier Persönlichkeits- und Mental-Health-Aspekte) lassen sich dabei austauschen.

Ursprünglicher Artikel zum Mixed-Profiling-Ansatz und der begleitenden Forschung.

Basierend auf den quantitativen Fragedaten erstellt der erste Prompt (Chat_Interaction.txt) eine feste Anzahl an Nachfragen, um mehr qualitative Daten zur Profilverfeinerung zu haben. Anschließend setzt der zweite Prompt (Final_Profiling.txt) diese neuen Erkenntnisse mit dem bereits bestehenden Profil zusammen und erstellt das abschließende Nutzendenprofil. Eine beispielhafte Implementierung lässt sich in folgendem Open-Source-Projekt auf Github finden.

Diese Inhalte basieren auf der Forschung von Müller, Greiner, Wegener, Kuhlmeier, Maedche (2026) mit dem Titel „Personalizing Human-LLM Interactions through Mixed Profiling“. Der wissenschaftliche Artikel dazu ist zu finden als Open-Access Dokument.