تُعد التنبؤ التلقائي بالسمات الشخصية له تطبيقات عملية عديدة، مثل في مجالات التحقيق الجنائي وأنظمة التوصية والخدمات المخصصة، إلخ. في هذا العمل، قمنا باقتراح إطار حل لمشكلة التنبؤ بسمات الشخصية للمستخدم بناءً على مقاطع الفيديو. تم استخراج ميزات بيئة الوضع (Ambient)، والوجه، والصوت من مقطع الفيديو الخاص بالمستخدم، وتُستخدم هذه الميزات في التنبؤ بالنتيجة النهائية. تم دمج الوسائط البصرية والصوتية بطريقتين مختلفتين: متوسط التنبؤات المستخلصة من الوسائط الفردية، وربط الميزات في البيئة متعددة الوسائط. تم استخدام مجموعة البيانات التي أُطلقت في مسابقة Chalearn-16 لتقييم أداء النظام. تُظهر النتائج التجريبية إمكانية تحقيق أداء أفضل باستخدام عدد قليل من الصور، مقارنةً باستخدام جميع الصور المتاحة في الفيديو.