Virtual Personas for Language Models via an Anthology of Backstories

大型语言模型（LLMs）是从数百万不同作者创作的庞大文本库中训练出来的，反映了人类特征的巨大多样性。虽然这些模型具有用作行为研究中人类主体的潜力，但以往的努力在引导模型响应以匹配个别人类用户方面受到了限制。在这项工作中，我们介绍了“文集”（Anthology），这是一种通过利用开放式生命叙述（我们称之为“背景故事”）来使LLMs适应特定虚拟人物的方法。我们展示了我们的方法增强了实验结果的一致性和可靠性，同时确保更好地代表多样化的亚群体。在美国皮尤研究中心（Pew Research Center）的美国趋势小组（ATP）进行的三项代表全国人类的调查中，我们证明了文集实现了高达18％的改进，匹配人类受访者的响应分布，以及27％的一致性指标提高。我们的代码和生成的背景故事可在https://github.com/CannyLab/anthology 上获得。

Anthology试图通过利用虚拟人物的生活故事，将大型语言模型（LLMs）调整到特定的虚拟人物，从而提高模型响应与人类用户一致性的问题。

Anthology利用开放式的生活故事来调整LLMs，以匹配特定虚拟人物的响应，从而提高模型与人类用户的一致性和可靠性。

Anthology方法在三个Pew Research Center的美国趋势面板（ATP）的全国代表性人类调查中得到了验证。实验结果显示，使用Anthology方法可以使模型响应分布与人类受访者的匹配度提高18％，一致性指标提高27％。研究代码和生成的生活故事可在https://github.com/CannyLab/anthology上获得。

最近的相关研究包括使用不同的方法来调整LLMs以匹配人类用户，例如使用对抗性训练。相关论文包括“Improving Language Understanding by Generative Pre-Training”和“Towards Controlled Generation of Text”。