一、文章主要内容总结该研究聚焦于大型语言模型（LLMs）在相关性判断中存在的阈值启动效应（即先前评估文档的质量会影响后续判断，如先评估低质量文档后易给后续文档打高分，反之亦然），探索通过注入“大五人格”特质来缓解这一认知偏差。研究背景：LLMs日益成为信息检索（IR）领域自动化相关性标注的工具，但会继承人类认知偏差（如阈值启动效应），导致评估结果失真；心理学研究表明人格特质与认知偏差相关，且LLMs可通过提示词模拟特定人格。核心问题：RQ1：不同模拟人格在不同LLM上缓解阈值启动效应的整体表现；RQ2：不同任务类型（已知项目检索、探索性检索、利用性检索）下，各人格的缓解效果差异。研究方法：人格模拟：将大五人格（开放性、责任心、外向性、宜人性、神经质）各维度分为“高/低”两级，生成10种人格模拟指令，加默认状态共11种评估角色；批量评估实验：基于TREC 2021/2022深度学习赛道数据集，设计“前言（高/低相关性文档）+ 后记（目标文档集）”的批量评估流程，通过计算高/低阈值下后记文档相关性评分的差值（Δ）衡量启动效应强度。关键发现：特定人格（高开放性HO、低神经质LN、低责任心LC）能稳定降低LLM的启动效应敏感性；最优人格