Beyond Demographics: Aligning Role-playing LLM-based Agents Using Human Belief Networks

这篇文章探讨了如何通过整合基于经验的人类信仰网络的信息，提高人类大型语言模型(LLM)与人类行为的一致性，从而创造出类人的社交模拟。研究使用了人类调查数据，估算了包含18个主题的信仰网络，这些主题加载在两个不重叠的潜在因素上。然后，研究人员将一个主题的观点注入到LLM代理中，评估了其在其他测试主题上表达观点与相应人类数据的一致性。仅基于人口统计信息进行角色扮演不能使LLM与人类观点一致，但是通过注入一个信念，可以极大地提高在信仰网络相关主题上的一致性，而在网络之外的主题上则不会。这些结果为研究人类信仰分布模式并进行社会模拟提供了新的途径。

本论文旨在通过将人类信念网络的信息整合到大型语言模型（LLM）代理中，以提高LLM与人类行为的一致性。研究试图解决LLM与人类行为不一致的问题。

论文的关键思路是将人类信念网络的信息整合到LLM代理中，以提高LLM与人类行为的一致性。研究表明，仅基于人口统计信息进行角色扮演并不能使LLM与人类行为保持一致，而通过在一个主题上为代理人种子并将其表达的意见与相应的人类数据进行比较，可以显著提高LLM与人类行为的一致性。

本研究使用来自人类调查的数据估计了涵盖18个主题的信念网络，然后将LLM代理种子与一个主题的意见，并评估其在其余测试主题上表达的意见与相应人类数据的一致性。结果表明，通过将人类信念网络的信息整合到LLM代理中，可以显著提高LLM与人类行为的一致性。

近期的相关研究包括使用LLM进行社交模拟的工作，以及使用人类信念网络来解释社会行为的工作。