研究评估LLM数字人像近似人类调查结果的条件

Mumin Jia 等在arXiv发布论文，研究LLM数字人像何时能可靠近似人类调查结果。作者利用LISS面板，用受访者背景变量和2023年前的调查历史构建数字人像，再用同一受访者截断时间之后保留的答案测试，覆盖四种人像架构、三个LLM和两项预测任务，在问题、受访者、分布、公平性和聚类层面评估。 基于论文摘要的结果显示，数字人像在稳定属性和价值相关领域更能改善与人类回答分布的对齐，检索增强架构表现最佳；低变异问题和常见回答模式更适用，而个体预测和多变量受访者结构恢复有限，对主观、异质或罕见回答表现最差。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。