MetaPersona: Синтетические популяции на основе эмпирических данных

Проблема: «Холодный старт» в симуляциях

Использование персонажей (personas) для запуска социальных симуляций на базе больших языковых моделей (LLM) сталкивается с фундаментальной проблемой: отсутствие принципов для выбора атрибутов и назначения их значений. Существующие методы часто приводят к искажению демографического состава, латентных атрибутов и структур зависимостей, что делает результаты симуляций ненадежными.

Решение: MetaPersona-DB и фреймворк

Команда авторов представила MetaPersona-DB — датасет, содержащий аннотации к более чем 11 000 эмпирическим исследованиям с участием людей. База данных включает релевантные задачи, выявленные взаимосвязи и агрегированную статистику популяций. На основе этого ресурса разработан фреймворк MetaPersona, который:

• Извлекает доказательства, релевантные конкретной задаче;
• Строит графы зависимостей персонажей, основанные на литературных данных;
• Выбирает синтетические популяции из эмпирических априорных распределений, связывающих демографию, латентные атрибуты и исходы.

Результаты и метрики

Эксперименты проводились на трех кейсах (заблуждения относительно дезинформации, отношение к ИИ-инструментам, перераспределение доходов) с использованием трех базовых моделей и трех передовых LLM. Результаты показали высокую эффективность в задачах, связанных с убеждениями и отношением к технологиям, но дали смешанные результаты в вопросах экономического неравенства. Ключевым практическим достижением стало снижение стоимости создания персонажей для одной задачи до менее $0.5 при использовании GPT-5.2.

Значение для индустрии

MetaPersona предлагает переход от хаотичного генерирования персонажей к научно обоснованному подходу. Наличие прототипа MetaPersona-Studio указывает на стремление авторов сделать методологию доступной для широкого круга исследователей, позволяя создавать более достоверные симуляции человеческого поведения в социальных науках и маркетинге.

Источник: arXiv cs.AI ↗