Psychologische und neurologische Studien haben früher darauf hingewiesen, dass eine Persönlichkeitstypologie sowohl am gesamten Gesicht als auch an dessen Seiten (Hemifaces) erkannt werden kann. In diesem Artikel wird neuartige Forschung vorgestellt, die tiefgreifende neuronale Netze nutzt, um die Merkmale beider Gesichtshälften zu analysieren, um die fünf großen Persönlichkeitsmerkmale (Big Five Personality Traits, PT) des Menschen zu bewerten. Hierfür haben wir einen Echtzeitansatz namens EmoFormer mit cross-hemifacialer Aufmerksamkeit entwickelt. Die Neuheit des vorgestellten Ansatzes liegt in der Bestätigung, dass jede Gesichtshälfte eine hohe Vorhersagekraft für die Unterscheidung menschlicher Persönlichkeitsmerkmale aufweist. Unser Ansatz basiert auf einem neuartigen mittleren emotionalen Merkmalsextraktor für jede Hemiface sowie einer cross-hemifacialen Aufmerksamkeitsfusion-Strategie zur Aggregation der Hemiface-Merkmale. Die anschließende Fusion beider Gesichtshälften erzielte gegenüber der Nutzung des gesamten Gesichts eine relative Verbesserung um 3,6 % hinsichtlich des Konkordanz-Korrelationskoeffizienten (0,634 vs. 0,612) auf der ChaLearn First Impressions V2-Datenbasis. Der vorgeschlagene Ansatz übertrifft zudem alle bisherigen state-of-the-art-Methoden zur Persönlichkeitsbewertung basierend auf Gesichtsmodalitäten. Zudem haben wir die „beste Hemiface“ analysiert – jene, die PT anhand demografischer Merkmale (Geschlecht, Ethnizität, Alter) präziser vorhersagt. Dabei zeigte sich, dass die beste Hemiface für zwei der fünf Persönlichkeitsmerkmale (Offenheit für Erfahrungen und Nicht-Neurotizität) abhängig von den demografischen Merkmalen variiert. Für die anderen drei Merkmale ist die rechte Hemiface dominierend bei Extraversion, während die linke Hemiface signifikant aussagekräftiger für Gewissenhaftigkeit und Einvernehmlichkeit ist. Diese Ergebnisse stützen frühere psychologische und neurologische Forschungsergebnisse. Darüber hinaus stellen wir einen Open-Source-Framework namens OCEAN-AI vor, der nahtlos in Expertensysteme integriert werden kann und praktische Anwendungen in verschiedenen Bereichen wie Gesundheitswesen, Bildung und Personalwesen ermöglicht.