arXiv cs.CL· Mumin Jia, Yilin Chen, Divya Sharma, Jairo Diaz-Rodriguez·· 3 天前AI 评分33
LLM 数字人能否可靠近似人类调查结果？基于 LISS 面板的研究
When Can Digital Personas Reliably Approximate Human Survey Findings?
AI 导读
研究基于 LISS 面板构建 LLM 数字人，用受访者背景变量和 2023 年前的调查历史预测其被留出的后续回答，覆盖四种 persona 架构、三个 LLM 和两项预测任务。数字人能改善与人类回答分布的对齐，尤其在稳定属性与价值观相关领域，但在个体预测上仍受限，且无法还原受访者的多变量结构。检索增强架构增益最明显，表现更多取决于人类回答结构而非模型选择。
正文 · AI 翻译
摘要：由大型语言模型（LLM）驱动的数字人设正越来越多地被提议作为人类调查受访者的替代品，但它们何时能够可靠地近似人类调查结果仍不清楚。我们使用 LISS 面板来回答这个问题，从受访者的背景变量和 2023 年之前的调查历史中构建人设，然后针对同一受访者在截止日期后留出的答案进行测试。在四种人设架构、三种 LLM 和两项预测任务中，我们在问题、受访者、分布、公平性和聚类层面评估性能。数字人设改善了对人类响应分布的契合度，尤其是在与稳定属性和价值观相关的领域，但在个体预测方面仍然有限，并且无法恢复多变量受访者结构。检索增强架构提供了最明显的增益，但性能更多地取决于人类响应结构而非模型选择：人设对低变异性问题和常见受访者模式表现最佳，而对主观、异质或罕见响应表现最差。我们的结果为数字人设何时可能适用于调查研究以及何时仍需要人工验证提供了实用指导。
| 评论： | 已被 NeurIPS 2026 接收 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；社会与信息网络（cs.SI）；机器学习（stat.ML） |
| 引用为： | arXiv:2605.10659 [cs.CL] |
| （或 arXiv:2605.10659v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.10659 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Mumin Jia [查看电子邮件]
[v1]
2026年5月11日星期一 14:41:11 UTC（6,334 KB）
[v2]
2026年10月5日星期一 01:29:11 UTC（6,349 KB）
[v3]
2026年10月13日星期二 20:12:03 UTC（6,343 KB）
来源：arXiv cs.CL · arxiv.org