Les constructions psychologiques au sein des individus sont largement considérées comme interconnectées. Nous avons étudié si et comment les grands modèles linguistiques (LLM) peuvent modéliser la structure de corrélation des traits psychologiques humains à partir d’entrées quantitatives minimales. Nous avons sollicité divers LLM en leur fournissant les réponses au questionnaire des Cinq Grandes Dimensions du caractère provenant de 816 individus humains, afin qu’ils incarnent les réponses de ces individus sur neuf autres échelles psychologiques. Les LLM ont démontré une précision remarquable dans la capture de la structure psychologique humaine : les patrons de corrélation entre échelles issus des réponses générées par les modèles s’alignent fortement avec ceux observés dans les données humaines. Ce résultat obtenu sans entraînement préalable (zero-shot) dépasse largement les prédictions fondées sur la similarité sémantique et s’approche de la précision des algorithmes d’apprentissage automatique entraînés directement sur le jeu de données. L’analyse des traces de raisonnement révèle que les LLM suivent un processus systématique en deux étapes : premièrement, ils transforment les réponses brutes aux Cinq Grandes Dimensions en résumés de personnalité sous forme de langage naturel, par sélection et compression d’informations, analogue à la génération de statistiques suffisantes ; deuxièmement, ils produisent les réponses sur les échelles cibles en raison à partir de ces résumés. En matière de sélection d’information, les LLM identifient les mêmes facteurs clés de personnalité que les algorithmes entraînés, bien qu’ils échouent à distinguer l’importance relative des items au sein des facteurs. Les résumés compressés ainsi obtenus ne sont pas simplement des représentations redondantes, mais captent des informations synergiques : leur ajout aux scores d’origine améliore significativement l’alignement des prédictions, ce qui suggère qu’ils encodent des motifs émergents de second ordre dans les interactions entre traits. Nos résultats démontrent que les LLM peuvent prédire avec précision les traits psychologiques individuels à partir de données minimales, via un processus d’abstraction et de raisonnement, offrant ainsi un outil puissant pour la simulation psychologique et des éclairages précieux sur leurs capacités émergentes de raisonnement.