El estudio de las personalidades es un componente principal de la psicología humana, y con una comprensión de los rasgos de personalidad, se pueden utilizar aplicaciones prácticas en varios dominios, como el cuidado de la salud mental, la predicción del rendimiento laboral y la optimización de estrategias de marketing. Este estudio explora la predicción de las puntuaciones de los rasgos de personalidad de los Cinco Grandes a partir de comentarios en línea utilizando modelos de lenguaje basados en transformadores, centrándose en mejorar el rendimiento del modelo con un conjunto de datos más grande e investigando el papel de las intercorrelaciones entre los rasgos. Utilizando el conjunto de datos PANDORA de Reddit, los modelos RoBERTa y BERT, incluyendo tanto las variantes base como las grandes, fueron ajustados y evaluados para determinar su efectividad en la predicción de rasgos de personalidad. En comparación con trabajos anteriores, nuestro estudio utiliza un conjunto de datos significativamente más grande para mejorar la generalización y robustez del modelo. Los resultados indican que RoBERTa supera a BERT en la mayoría de las métricas, con RoBERTa grande logrando el mejor rendimiento general. Además de evaluar la precisión predictiva general, este estudio investiga el impacto de las intercorrelaciones entre los rasgos de personalidad. Se realiza un análisis comparativo entre un enfoque de modelo único, que predice los cinco rasgos simultáneamente, y un enfoque de múltiples modelos, ajustando los modelos de forma independiente y cada uno prediciendo un solo rasgo. Los hallazgos revelan que el enfoque de modelo único logra un RMSE más bajo y valores de R2 más altos, destacando la importancia de incorporar las intercorrelaciones de los rasgos para mejorar la precisión de la predicción. Además, RoBERTa grande demostró una mayor capacidad para capturar estas intercorrelaciones en comparación con estudios anteriores. Estos hallazgos enfatizan el potencial de los modelos basados en transformadores en la computación de personalidades y subrayan la importancia de aprovechar tanto conjuntos de datos más grandes como intercorrelaciones para mejorar el rendimiento predictivo.