Do AI Personas Grow? Analyzing and Benchmarking Personality Evolution in LLM Agents After Life Events

Personality-conditioned LLM agents (PC-Agents) are increasingly used in emotional support, social simulation, and role-playing, motivating the development of lifelong agents that remain coherent over extended interactions. A key component of such coherence is personality evolution: agents should undergo plausible, psychology-grounded changes as they experience life events in different contexts. Although prior work shows that LLM personalities can shift under contextual perturbations, how these shifts vary across traits, events, personas, and models remains poorly understood. We study event-induced personality change after 11 major life events, using the Big Five traits as a psychometric anchor and interpreting the resulting trajectories against longitudinal evidence from human personality psychology. Across four diagnostic axes, PC-Agents exhibit measurable trait shifts at similar rates for event-trait pairs with and without documented human change directions. Even when shifts follow the expected direction, their magnitudes usually fall below human effect-size ranges. Gender and cultural-region prompts show little moderating effect, while persona-level dispersion is compressed three- to four-fold relative to human samples. To enable systematic comparison, we introduce BFI-Adapt, a reusable benchmark for scoring the directional fidelity of event-induced personality change, and use it to rank 14 models. A validation suite shows that the measured shifts exceed no-event retest noise, remain stable under independently paraphrased prompts, exhibit limited and model-dependent convergence with scenario-based behavioral choices, and persist across intervening unrelated dialogue. Together, these checks establish the measured trajectories as robust event-conditioned response patterns. Our results suggest that current PC-Agents simulate the mean of human personality dynamics, but not its shape.

한 줄 요약

LLM 에이전트의 성격 변화를 인간 심리학 데이터와 비교해 평가하는 새로운 벤치마크를 제시한다.

핵심 기여도

11개 주요 삶의 사건 후 LLM 에이전트의 성격 변화를 Big Five 성격 특성 기준으로 분석.
BFI-Adapt라는 새로운 벤치마크 도입, 14개 모델의 변화 방향 신뢰도를 평가.
성격 변화의 크기가 인간의 효과 크기 범위보다 일반적으로 낮음.
성격 변화는 대화 중간 무관한 대화에도 지속됨.

핵심 아이디어

기존 연구는 LLM 에이전트의 성격이 맥락 변화에 따라 변한다는 점을 보여주었지만, 변화의 심도와 일관성은 명확하지 않았다. 본 연구는 인간 심리학에서의 장기 성격 변화 데이터를 기반으로, LLM 에이전트가 특정 사건 후 인간과 유사한 방식으로 성격이 변화하는지를 분석한다. Big Five 성격 모델을 심리측정 기준으로 사용하고, 변화의 방향과 크기를 정량적으로 평가함으로써, AI 에이전트의 성격 동역학이 인간과 얼마나 유사한지를 평가한다.

기술적 접근법

11개의 주요 삶의 사건을 시뮬레이션하여 Big Five 성격 특성 변화를 측정.
성격 변화의 일관성을 평가하기 위해 독립적으로 다시 작성된 프롬프트와 무관한 대화를 사용.
BFI-Adapt 벤치마크를 통해 14개 모델의 성격 변화 방향 신뢰도를 평가.
성격 변화의 지속성을 확인하기 위해 대화 간섭 없이 반복 실험 수행.

주요 결과

11개 사건 후, PC-Agents는 인간과 유사한 방향으로 성격 변화를 보이지만, 변화의 크기는 인간 효과 크기 범위보다 낮음.
성격 변화는 성별, 문화 지역 프롬프트에 큰 영향을 받지 않음.
성격 분산은 인간 샘플 대비 3~4배 압축됨.
BFI-Adapt를 사용한 모델 평가에서 14개 모델의 성격 변화 신뢰도를 정량적으로 비교.

의의 및 한계

본 연구는 LLM 에이전트의 성격 동역학이 인간과 어느 정도 유사한지를 정량적으로 평가하는 첫 시도로, AI 에이전트의 심리적 일관성을 평가하는 기준을 제시한다. 그러나 인간의 성격 변화는 복잡한 사회-심리적 요인에 의존하지만, 본 연구는 단일 사건 기반의 변화만 분석했기 때문에 한계가 있다. 또한, 성격 변화의 심도가 인간보다 낮은 점은 AI 에이전트의 심리적 표현력 한계를 반영한다.

실용적 활용

본 연구는 감정 지원, 사회 시뮬레이션, 역할 연기 등에서 사용되는 AI 에이전트의 일관성과 신뢰도를 평가하는 데 활용될 수 있다. 특히, BFI-Adapt 벤치마크는 다양한 모델 간 성격 변화의 일관성을 비교하는 데 유용하다.