LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals：基于自我报告的LLM智能体实现个体通用模拟
2024年11月提交。论文提出利用LLM基于自我报告数据（访谈或问卷）构建“生成式智能体”，在无任务特定训练数据下预测个体态度与行为。在1052名美国样本上，结合访谈与问卷的智能体在GSS项目上达到参与者自身重测信度86%的准确率，优于仅用人口统计信息的74%。智能体还能预测人格特质、经济博弈行为及实验反应，并减少种族和意识形态群体的准确率差异。
Development
- First ReportLLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals：基于自我报告的LLM智能体实现个体通用模拟arXiv cs.AI
- Current Assessment该技术可应用于市场调研、用户画像、产品测试等场景，企业可用少量用户自我报告数据构建数字孪生，模拟用户对新功能或广告的反应，降低A/B测试成本。在社会科学领域，可替代部分传统问卷调查，实现大规模、低成本的个体行为预测。对AI平台而言，提供了将LLM从通用对话转向个性化模拟的路径。Agent Pulse · analysis
该论文展示了LLM智能体可通过定性或定量自我报告数据实现跨领域的通用个体模拟，无需为每个新任务收集训练数据。这改变了传统行为预测模型需大量结构化数据和特定任务训练的模式，为社会科学研究、用户建模和个性化服务提供了可扩展的新范式。其核心价值在于证明了自我报告数据与LLM结合能有效捕捉个体差异，且数据来源的边际收益在达到一定量后趋于饱和。
论文使用美国全国代表性样本（n=1052），收集两小时半结构化访谈（美国之声项目）和结构化问卷（GSS、大五人格）。基于这些数据构建LLM智能体：将访谈转录或问卷回答作为提示上下文，让LLM模拟个体回答未见过的GSS问题。评估采用参与者两周后重测信度作为基准。结果显示访谈+问卷智能体达到86%基准准确率，而仅用人口统计信息为74%。智能体还成功预测了人格、经济博弈和实验行为。技术边界在于数据来自单一国家、样本量有限，且LLM可能放大训练数据中的偏差。
该技术可应用于市场调研、用户画像、产品测试等场景，企业可用少量用户自我报告数据构建数字孪生，模拟用户对新功能或广告的反应，降低A/B测试成本。在社会科学领域，可替代部分传统问卷调查，实现大规模、低成本的个体行为预测。对AI平台而言，提供了将LLM从通用对话转向个性化模拟的路径。
建议市场研究公司或用户分析平台（如Qualtrics、UserTesting）集成该技术，提供基于少量用户访谈的群体模拟服务，用于产品概念测试或广告效果预测。投资可关注将LLM与用户数据结合进行行为预测的初创公司。
需关注跨文化、跨语言复现效果；数据隐私与伦理问题（如模拟个体是否需知情同意）；LLM幻觉对预测准确性的影响；以及该方法在动态行为预测（如随时间变化的态度）上的表现。若能在更多领域验证，可能催生“个体模拟即服务”的新商业模式。