Character is Destiny: Can Large Language Models Simulate Persona-Driven Decisions in Role-Playing?

大型语言模型能否取代人类做出重要决策？ 最近的研究揭示了LLM的潜力，可以扮演指定的角色，模仿他们的知识和语言习惯。然而，模仿决策需要更加细致的了解角色。在本文中，我们对LLM在以角色为驱动的决策制定方面的能力进行了基准测试。具体而言，我们调查LLM是否能够在高质量小说中提供前述故事的情况下预测人物的决策。利用文学专家编写的角色分析，我们构建了一个包含395本书中1401个角色决策点的数据集LIFECHOICE。然后，我们使用各种LLM和LLM角色扮演方法对LIFECHOICE进行全面实验。结果表明，最先进的LLM在这项任务中表现出有前途的能力，但仍有很大的改进空间。因此，我们进一步提出了CHARMAP方法，通过基于角色的记忆检索实现了6.01％的准确性提高。我们将公开我们的数据集和代码。

本论文旨在评估大型语言模型在角色驱动的决策制定中的表现，并提出了一种基于角色的记忆检索方法以提高准确性。

本论文构建了一个包含395本书中1,401个角色决策点的数据集LIFECHOICE，并使用各种大型语言模型和方法对其进行全面实验。结果表明，目前的大型语言模型在角色驱动的决策制定中具有很高的潜力，但仍有很大的提升空间。作者提出了基于角色的记忆检索方法CHARMAP，可以提高6.01％的准确性。

本论文的实验设计充分，使用了由文学专家编写的角色分析，数据集和代码将公开发布。值得深入研究的工作包括进一步提高大型语言模型在角色驱动的决策制定中的准确性，以及探索更多基于角色的方法。

在这个领域中，最近的相关研究包括使用大型语言模型进行自然语言推理和情感分析等任务。