Persona-E²: A Human-Grounded Dataset for Personality-Shaped Emotional Responses to Textual Events

Yang and colleagues present Persona-E², a dataset for studying how different people say they feel about the same text. Its main value is not raw size but density: the same 36 people label the same 3,111 events with one primary emotion, disgust, fear, anger, sadness, surprise, joy, or neutral, and confidence from 1 to 5. Each participant also supplies MBTI and five Big Five scores. This supports analysis of disagreement within a fixed panel without confounding it with different annotators seeing different items.

Events come from news, social media, and everyday narratives. A pipeline reduces 76,773 texts through two NSFW classifiers, Qwen3-Max differential-potential scoring, and review by five experts. Some Chinese sources are translated into English with Qwen3-Max. The annotators are all Chinese, university educated, aged 18–25, and proficient in English; over several weeks they answer how they would feel when reading each event. The paper reports training, latency and repetition monitoring, reminders, and reannotation, but not thresholds, numbers of corrected labels, total duration, or attrition.

For personality analysis, the authors cluster the 36 Big Five vectors into six K-means groups of 3, 4, 7, 11, 6, and 5 people. Personality Agreement Gap compares within- and out-group agreement. All six clusters have positive reported gaps from 8.27 to 25.96 points, and six MBTI types with at least three members are also positive. This is an interesting descriptive association, not causal identification: groups are built and evaluated on the same 36 people, equalized out-group sampling is unspecified, and there is no person-clustered uncertainty, independent replication, preregistration, or multiplicity control.

The paper's interpretive labels, an Emotional Black Hole for social media, a Psychological Immune System for life narratives, Anxious Empathy, and Negative Passivation, go beyond the measurements. General Writer is not an author's reported emotion but an external classifier output compared with human majorities. The Openness-neutralization correlation uses only six cluster means: it reproduces at r=.862 and p=.027 with an approximate 95% interval [.17,.985], loses significance when any of five clusters is omitted, and becomes p=.135 under a minimal five-trait Bonferroni adjustment. It is an exploratory hypothesis, not an established psychological mechanism.

In RQ2, GPT-5.1, Llama-3-8B, Qwen3-8B, Gemma-3-12B, and Ministral-3-8B predict two emotions under general, Big Five, and Big Five-CoT prompts. The study focuses on a 413-event Subjective Divergence Subset said to be consistent within clusters and divergent across them. That subset cannot be reconstructed: released consensus scores are on 0–100 while the threshold is written as .3, significant difference is not operationalized, and neither IDs nor a seed are released. Literal application yields 2,635 cases; treating the threshold as 30 yields 1,275, not 413.

Prediction results do not support a general significant benefit from personality. On the SDS, some models or domains improve and others worsen. On 100 random events, GPT-5.1 top-1 accuracy is 35% without personality, 36% with Big Five, and 35% with CoT; top-2 falls from 56% to 54% and 52%. The prompts are not controlled equivalents: Big Five adds five numbers, forces a polarity decision, and even lists Surprise as both positive and negative. Information, format, and personality content are confounded.

RQ3 does not test whether a model discovers an emotion or reproduces a cognitive process. Every prompt is given the human emotion and intensity and produces a post-hoc justification. Five reviewers make forced best-of-three choices on persona consistency, plausibility, and specificity. Big Five dominates, but it receives much richer information and explicit instructions to cite OCEAN dimensions, while baseline receives no profile. Without human rationales, concurrent reports, reviewer agreement, intervals, or verifiable blinding, the result shows preference for better-informed explanations under this protocol, not cognitive soundness or removal of personality illusion.

The data release is useful but has concrete integrity defects. The main CSV has 3,113 rows: two The Paper events have no annotations and are absent from the cluster file. One of the remaining 3,111 events lacks E34's emotion and confidence, leaving 111,995 observable labels rather than 111,996; another confidence is 28 on a 1–5 scale. There are duplicate events, two '[translation failed]' texts, mixed category vocabularies, and 38 English-text differences across files. General Writer also publishes 27/28 GoEmotions-like labels rather than the seven classes claimed in the paper, with no released mapping.

The current GitHub repository is the project's Vue website, not scientific code: it has no filtering, clustering, analysis, executable prompts, model responses, human judgments, tests, or reproducible environment, and it declares no repository license. Hugging Face and Kaggle distribute the three CSVs under CC BY-NC-SA 4.0, although the card adds use restrictions not identical to the standard license and does not document redistribution rights for each source. The faithful conclusion is that Persona-E² offers a dense, open panel for exploring emotional disagreement among 36 young Chinese participants; it does not establish population ground truth, trait causality, human cognition in LLMs, or fully reproducible findings.

Yang y colaboradores presentan Persona-E², un dataset para estudiar cómo distintas personas dicen sentirse ante el mismo texto. Su rasgo más valioso no es el tamaño bruto, sino la densidad: las mismas 36 personas etiquetan los mismos 3.111 eventos con una emoción principal, asco, miedo, ira, tristeza, sorpresa, alegría o neutral, y una confianza de 1 a 5. Cada participante aporta además MBTI y cinco puntuaciones Big Five. Esto permite observar desacuerdos dentro de un panel fijo sin confundirlos con que cada ítem haya sido visto por personas distintas.

Los eventos proceden de noticias, redes sociales y relatos cotidianos. Un pipeline reduce 76.773 textos mediante dos clasificadores NSFW, puntuación de “potencial diferencial” con Qwen3-Max y revisión de cinco expertos. Algunas fuentes chinas se traducen al inglés con Qwen3-Max. Los anotadores, todos de China, universitarios, con 18–25 años y dominio avanzado de inglés, responden durante varias semanas a “¿cómo te sentirías al leer este evento?”. El paper declara entrenamiento, monitorización de latencia y repetición, recordatorios y reanotación, pero no informa umbrales, cuántas etiquetas fueron corregidas, duración total ni abandono.

Para analizar personalidad, los autores agrupan los 36 vectores Big Five con K-means en seis clusters de 3, 4, 7, 11, 6 y 5 personas. Comparan acuerdo dentro y fuera del grupo mediante Personality Agreement Gap. Los seis clusters dan gaps positivos de 8,27 a 25,96 puntos; seis tipos MBTI con al menos tres miembros también son positivos. Es una asociación descriptiva interesante, no una identificación causal: los grupos se construyen y evalúan sobre las mismas 36 personas, el muestreo externo “igualado” no está especificado, no hay incertidumbre agrupada por persona, réplica independiente, preregistro ni control de múltiples análisis.

Las etiquetas interpretativas del artículo, “Emotional Black Hole” para redes, “Psychological Immune System” para relatos vitales, “Anxious Empathy” o “Negative Passivation”, exceden los datos. “General Writer” no es la emoción del autor, sino la salida de un clasificador externo, comparada con mayorías humanas. La correlación entre Openness y neutralización usa solo seis medias de cluster: se reproduce como r=.862 y p=.027, con IC95% aproximado [.17,.985]; deja de ser significativa al retirar cualquiera de cinco clusters y un ajuste elemental por cinco rasgos da p=.135. Debe tratarse como hipótesis exploratoria, no mecanismo psicológico demostrado.

En RQ2, GPT-5.1, Llama-3-8B, Qwen3-8B, Gemma-3-12B y Ministral-3-8B predicen dos emociones con prompts general, Big Five y Big Five-CoT. La atención se concentra en una Subjective Divergence Subset de 413 eventos supuestamente consistentes dentro de cada cluster y divergentes entre clusters. Esa selección no se puede reconstruir: los scores liberados están en 0–100 aunque el umbral se escribe .3, “diferencia significativa” no se operacionaliza y no se publican IDs ni semilla. Aplicar literalmente el criterio produce 2.635 casos; interpretarlo como >30 produce 1.275, no 413.

Los resultados de predicción tampoco sostienen una mejora general “significativa” por personalidad. En la SDS, algunos modelos o dominios mejoran y otros empeoran. En una muestra aleatoria de 100 eventos, GPT-5.1 obtiene top-1 35% sin personalidad, 36% con Big Five y 35% con CoT; top-2 baja de 56% a 54% y 52%. Los prompts no son controles equivalentes: Big Five añade cinco números, obliga a decidir polaridad y hasta incluye Surprise tanto en candidatos positivos como negativos. Efecto de información, formato y personalidad quedan mezclados.

RQ3 no evalúa si el modelo descubre una emoción o reproduce un proceso cognitivo. Cada prompt recibe ya la emoción humana y su intensidad y genera una justificación posterior. Cinco revisores eligen forzosamente la mejor de tres explicaciones en consistencia de persona, plausibilidad y especificidad. Big Five domina, pero recibe mucha más información y la instrucción explícita de nombrar dimensiones OCEAN; el baseline no recibe perfil. Sin racionales humanos, informes concurrentes, acuerdo entre revisores, intervalos o cegamiento verificable, el resultado demuestra preferencia por explicaciones más informadas bajo ese protocolo, no “cognitive soundness” ni eliminación de la ilusión de personalidad.

La publicación de datos es útil pero presenta defectos concretos. El CSV principal tiene 3.113 filas: dos eventos de The Paper carecen de las 36 anotaciones y no aparecen en el archivo de clusters. Entre los 3.111 restantes falta la emoción/confianza de E34 en un evento, por lo que hay 111.995 etiquetas observables, no 111.996; otra confianza vale 28 en una escala 1–5. Hay duplicados, dos textos “[translation failed]”, categorías mezcladas y 38 textos ingleses distintos entre archivos. Además, el campo “General Writer” publica 27/28 etiquetas tipo GoEmotions, no las siete clases que afirma el paper, sin liberar el mapeo usado.

El repositorio GitHub actual es la web Vue del proyecto, no el código científico: no contiene filtrado, clustering, análisis, prompts ejecutables, respuestas de modelos, juicios humanos, tests ni entorno reproducible, y no declara licencia propia. Hugging Face y Kaggle sí distribuyen los tres CSV bajo CC BY-NC-SA 4.0, aunque la tarjeta añade restricciones de uso que no coinciden exactamente con la licencia estándar y no documenta derechos de redistribución por cada fuente. La conclusión fiel es que Persona-E² aporta un panel denso y abierto para explorar desacuerdo emocional en 36 jóvenes chinos; no establece ground truth poblacional, causalidad de rasgos, cognición humana en LLMs ni resultados plenamente reproducibles.