arXiv cs.CL· Zhengyu Hu, Jianxun Lian, Zheyuan Xiao, Max Xiong, Tianfu Wang, Teng Xiao, Yuxuan Lei, Fengqing Jiang, Kaize Ding, Ziang Xiao, Nicholas Jing Yuan, Xing Xie, Radha Poovendran·· 10 小时前AI 评分31
面向 LLM 社会模拟的群体对齐人设生成框架
Population-Aligned Persona Generation for LLM-based Social Simulation
AI 导读
研究者提出一套面向 LLM 社会模拟的群体对齐人设生成框架，先用 LLM 从长期社交媒体数据生成叙事型人设并做质量评估过滤低保真档案，再通过重要性采样对齐 Big Five 等参考心理测量分布。该框架还引入任务特定模块，将全局对齐的人设集适配到目标子群体。实验显示该方法显著降低群体层面偏差，支持更准确灵活的社会模拟。
正文 · AI 翻译
作者：Zhengyu Hu、Jianxun Lian、Zheyuan Xiao、Max Xiong、Tianfu Wang、Teng Xiao、Yuxuan Lei、Fengqing Jiang、Kaize Ding、Ziang Xiao、Nicholas Jing Yuan、Xing Xie、Radha Poovendran
摘要：大语言模型（LLM）的最新进展使得大规模、高保真的社会模拟成为可能，为计算社会科学创造了新的机遇。然而，构建能够忠实反映现实世界人口多样性的角色集仍是一项关键挑战。现有研究往往侧重于智能体框架和模拟环境，而对角色生成以及由不具代表性的角色集所引入的偏差关注较少。本文提出了一套系统化框架，用于为 LLM 驱动的社会模拟合成高质量、与人口分布对齐的角色集。我们的方法首先利用 LLM 从长期社交媒体数据中生成叙事型角色，随后通过严格的质量评估过滤掉低保真度的画像。接着，我们应用重要性采样，以实现与参考心理测量分布（如大五人格特质）的全局对齐。为满足特定模拟场景的需求，我们进一步引入一个任务特定模块，将全局对齐的角色集适配到目标子群体。大量实验表明，我们的方法显著降低了群体层面的偏差，并能为广泛的研究与政策应用提供准确、灵活的社会模拟。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2509.10127 [cs.CL] |
| （或本版本使用 arXiv:2509.10127v3 [cs.CL]） | |
| https://doi.org/10.48550/arXiv.2509.10127 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zhengyu Hu [查看邮箱]
[v1]
2025年9月12日星期五 10:43:47 UTC（1,711 KB）
[v2]
2025年10月4日星期六 09:04:38 UTC（1,711 KB）
[v3]
2026年11月4日星期三 09:22:24 UTC（2,031 KB）
来源：arXiv cs.CL · arxiv.org