English(EN) When Can Digital Personas Reliably Approximate Human Survey Findings?

大型语言模型（LLM）身份可模仿人类调查响应，适用于稳定属性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

一篇新的arXiv论文探讨了使用大型语言模型（LLM）创建数字身份以替代人类调查受访者的有效性。研究人员发现，虽然这些数字身份可以提高与人类响应分布的一致性，尤其是在与稳定属性和价值观相关的问题上，但它们在个体预测和捕捉复杂的受访者结构方面存在困难。研究表明，检索增强型架构最有前景，但性能在很大程度上取决于调查问题的固有变异性和人类响应的底层结构，而不仅仅是所使用的LLM。 AI

影响数字身份可能为某些类型的调查研究提供一种经济高效的替代方案，但对于主观或复杂数据，人类验证仍然至关重要。

排序理由关于LLM能力的学术论文 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 关于LLM能力的学术论文 [lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Mumin Jia, Yilin Chen, Divya Sharma, Jairo Diaz-Rodriguez · 2026-10-15 04:00

数字人像何时能可靠地近似人类调查结果？

arXiv:2605.10659v3 Announce Type: replace Abstract: Digital personas powered by Large Language Models (LLMs) are increasingly proposed as substitutes for human survey respondents, yet it remains unclear when they can reliably approximate human survey findings. We answer this ques…

本文如何被排名

报道来源 [1]

数字人像何时能可靠地近似人类调查结果？

相关实体

相关话题