研究揭示：行为历史数据显著提升大语言模型合成角色的预测能力

摘要：ArXiv发布了一项关于大语言模型（LLM）合成角色的研究，强调了行为历史数据在提升模型预测能力方面的重要性。研究表明，相比于仅依赖个人描述（如人口统计信息、性格特征等），使用目标个体的行为历史数据（如过去的调查选择）能够显著提高LLM合成角色对个体未来决策的预测准确性。在实验中，包含行为历史的模型在个体层面的预测准确率从7-12%提升至28%，并在不同人口统计群体中均表现出色。这项研究为LLM在模拟人类行为和决策中的应用提供了新的见解，强调了行为数据在提升模型性能中的关键作用。

---

研究背景与目的

大语言模型（LLM）在模拟人类行为和决策方面具有巨大潜力，但其有效性取决于模型能否准确再现个体的决策过程。本研究旨在探讨哪些信息能够帮助LLM合成角色更好地预测个体的未来选择，特别是行为历史数据的作用。

研究方法

研究使用了包含845名美国成年人的两波面板数据，参与者完成了涵盖14种行为偏差的测量（如风险偏好、时间偏好、过度自信和推理能力）。研究设计了五种条件，逐步增加信息丰富度：

1. 无个人信息
2. 人口统计信息
3. 性格特征
4. 认知得分
5. 行为历史数据（目标偏差相关项目被保留）

在行为历史条件下，所有与目标偏差相关的项目都被保留，以测试模型对个体未来选择的预测能力。

主要发现

1. 人口层面：在所有条件下，合成角色平均每人的偏差数量接近于人类平均水平（7.1-8.1个偏差对人类的7.1个）。然而，描述性合成角色仅恢复了53-67%的人类个体间差异，而加入行为历史数据后，这一比例接近于人类水平。

2. 个体层面：基于描述的合成角色仅达到人类测试-重测反应中7-12%的知情度，而加入行为历史数据后，这一比例提升至28%。

3. 群体差异：包含行为历史的条件在所有17个人口统计群体中均表现出最高的估计知情度，而基于描述的条件对某些群体几乎没有提供任何信息。

4. 教育与收入差异：合成反应在教育程度和收入相关的差异方面表现出比人类反应更强的差异性。

结论与影响

对于LLM合成角色，个体的过去回答比对其身份的描述更能提升个体层面的预测能力。这项研究强调了行为历史数据在提升LLM合成角色预测能力方面的重要性，为AI在模拟人类行为和决策中的应用提供了新的见解。

对开发者的建议

1. 数据收集与处理：在构建LLM合成角色时，应优先考虑收集并整合行为历史数据，以提升模型的预测准确性。

2. 模型训练策略：在训练过程中，应采用分层训练策略，将行为历史数据与其他信息源（如人口统计信息和性格特征）结合使用，以实现更全面的模型性能提升。

3. 应用场景拓展：该研究成果可应用于虚拟助手、用户建模、个性化推荐系统等领域，帮助开发者构建更精准、更智能的AI系统。

---

消息来源：ArXiv AI (cs.AI) (2026-10-06)

—— 完 ——

主题标签： #大语言模型 关注 #行为数据 关注 #合成角色 关注 #预测能力 关注 #ArXiv 关注