پژوهشگران جایگزینی نظرسنجی‌ها با شبیه‌سازی اجتماعی با استفاده از عامل‌های هوش مصنوعی را بررسی می‌کنند

پژوهشگران دانشگاه فودان یک چارچوب توسعه داده‌اند به نام SocioVerse، که یک مدل جهانی مبتنی بر عامل‌های LLM برای شبیه‌سازی اجتماعی است.

این چارچوب شامل چهار جزء و یک مجموعه کاربر از 10 میلیون فرد واقعی است. جزء محیط اجتماعی، اطلاعات خارجی به‌روز شده را به شبیه‌سازی وارد می‌کند. اجزای موتور کاربر و موتور سناریو به ترتیب زمینه کاربری واقعی را فراهم می‌کنند و شبیه‌سازی را با دنیای واقعی همسو می‌کنند. علاوه بر این، موتور رفتار باعث می‌شود عامل‌ها رفتارهای انسانی را بازتولید کنند.

هدف این چارچوب جایگزینی روش‌های سنتی مانند نظرسنجی‌ها، مصاحبه‌ها و مشاهدات است که چالش‌های متعددی از جمله هزینه‌های بالا، حجم نمونه محدود و نگرانی‌های اخلاقی را به همراه دارند.

پژوهشگران با استفاده از عامل‌های خودکار هوش مصنوعی که رفتار انسانی را شبیه‌سازی می‌کنند، قصد دارند الگوهای تأثیر تصمیمات در سطح خرد را مشاهده و پویایی‌های اجتماعی بالقوه را پیش‌بینی کنند.

برای آزمایش این چارچوب، پژوهشگران آزمایش‌های شبیه‌سازی در مقیاس بزرگ را در حوزه‌های مختلف از جمله سیاست، اخبار و اقتصاد انجام دادند. مدل‌هایی مانند Llama-3-70b-Instruct، Qwen2.5-72b-Instruct، DeepSeek-V3، GPT-4o mini، GPT-4o و DeepSeek-R1-671b برای این آزمایش‌ها استفاده شدند.

ابتدا، عامل‌های LLM بر پیش‌بینی نتایج در سطح ایالتی در انتخابات ریاست‌جمهوری ایالات متحده متمرکز شدند. مشخص شد که GPT-4o-mini و Qwen2.5-72b عملکرد رقابتی را با توجه به معیار ارزیابی نشان می‌دهند و بیش از 90٪ از نتایج رأی‌گیری ایالتی را به درستی پیش‌بینی می‌کنند. مشاهده شد که DeepSeek-R1-671b بیش از حد فکر می‌کند و در نتیجه نتایج دقت کمتری دارد.

دوم، یک شبیه‌سازی برای ارزیابی واکنش عمومی به اخبار فوری، با استفاده از مثال انتشار ChatGPT انجام شد. مشاهده شد که GPT-4o و Qwen2.5-72b در مقایسه با سایر مدل‌ها با دیدگاه‌های دنیای واقعی همسوتر هستند.

در نهایت، در یک آزمایش شبیه‌سازی شده برای درک رفتارها از یک نظرسنجی اقتصادی ملی چین، Llama3-70b نسبت به سایر مدل‌ها در این نظرسنجی برتری خود را ثابت کرد و توانست عادات مخارج افراد را به طور دقیق بازتولید کند.

در این مقاله تحقیقاتی آمده است: «یافته‌های ما نشان می‌دهد که LLMهای پیشرفته توانایی قابل توجهی در شبیه‌سازی پاسخ‌های انسانی در زمینه‌های اجتماعی پیچیده نشان می‌دهند، اگرچه هنوز شکاف‌هایی بین پاسخ شبیه‌سازی شده و نتایج مشاهده شده در دنیای واقعی وجود دارد.»

علاوه بر این، پژوهشگران قصد دارند طیف گسترده‌تری از سناریوها را برای گسترش قابلیت‌های شبیه‌سازی LLMها بررسی کنند.