arXiv cs.CL· Grace Jiarui Fan, Chengpiao Huang, Tianyi Peng, Kaizheng Wang, Yuhang Wu·· 11 小时前AI 评分31
SYN-DIGITS：面向数字孪生模拟校准的合成控制框架
SYN-DIGITS: A Synthetic Control Framework for Calibrated Digital Twin Simulation
AI 导读
SYN-DIGITS 是一个模型无关的后验校准框架，通过学习数字孪生中问题间的关系并迁移到人类侧，在无目标问题人类反馈的冷启动场景下预测人类回答。在三个数据集、十三种人格构建上，其个体级相关性相对提升 11% 至 417%，分布差异相对降低 46%–57%。该框架还支持仅有参考问题边际信息时的分布级校准。
正文 · AI 翻译
摘要：基于大语言模型的人格模拟——通常被称为数字孪生模拟——正日益被用于市场研究、推荐系统和社会科学研究。然而，这些模拟相对于真实人类行为往往表现出系统性偏差和校准失准。我们提出 SYN-DIGITS，一个与模型无关的事后校准框架，它从数字孪生中学习问题之间的关系，并将其迁移以预测人类回答。我们关注的是冷启动场景，即未观察到目标问题的人类回答，因此校准必须依赖数字孪生以及参考问题上的人类数据。我们的分析表明，尽管数字孪生可能无法准确复现个体的人类回答，但它们能够捕捉问题之间可有效迁移至人类一侧的重要关系。当个体级数据不可用、我们只能获取参考问题的边际信息时，我们的框架还支持分布级校准，以预测目标问题上人类回答的分布。在三个数据集和十三种人格构建上的实验表明，与未校准的基线相比，SYN-DIGITS 在个体级相关性上实现了 11% 至 417% 的相对提升，在分布差异上实现了 46%–57% 的相对降低。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2604.07513 [cs.LG] |
| （或本版本使用 arXiv:2604.07513v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2604.07513 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuhang Wu [查看邮箱]
[v1]
2026年4月8日星期三 18:50:01 UTC（237 KB）
[v2]
2026年10月31日星期六 01:57:35 UTC（422 KB）
来源：arXiv cs.CL · arxiv.org