論文の概要: FlockVote: LLM-Empowered Agent-Based Modeling for Simulating U.S. Presidential Elections

• arxiv url: http://arxiv.org/abs/2512.05982v1
• Date: Thu, 27 Nov 2025 12:04:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 04:16:52.492739
• Title: FlockVote: LLM-Empowered Agent-Based Modeling for Simulating U.S. Presidential Elections
• Title（参考訳）: FlockVote: LLMを利用した米国大統領選挙シミュレーションエージェントベースモデリング
• Authors: Lingfeng Zhou, Yi Xu, Zhenyu Wang, Dequan Wang,
• Abstract要約: FlockVoteはLLMエージェントの「計算実験室」を構築するためにLarge Language Models (LLM) を用いた新しいフレームワークである。 われわれはこの枠組みを、2024年のアメリカ合衆国大統領選挙で7つの重要な揺動州に焦点をあててテストベッドとして展開する。 我々のシミュレーションのマクロレベルの結果は現実の成果の再現に成功し、我々の「仮想社会」の高忠実さを実証した。
• 参考スコア（独自算出の注目度）: 19.702174922330894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling complex human behavior, such as voter decisions in national elections, is a long-standing challenge for computational social science. Traditional agent-based models (ABMs) are limited by oversimplified rules, while large-scale statistical models often lack interpretability. We introduce FlockVote, a novel framework that uses Large Language Models (LLMs) to build a "computational laboratory" of LLM agents for political simulation. Each agent is instantiated with a high-fidelity demographic profile and dynamic contextual information (e.g. candidate policies), enabling it to perform nuanced, generative reasoning to simulate a voting decision. We deploy this framework as a testbed on the 2024 U.S. Presidential Election, focusing on seven key swing states. Our simulation's macro-level results successfully replicate the real-world outcome, demonstrating the high fidelity of our "virtual society". The primary contribution is not only the prediction, but also the framework's utility as an interpretable research tool. FlockVote moves beyond black-box outputs, allowing researchers to probe agent-level rationale and analyze the stability and sensitivity of LLM-driven social simulations.
• Abstract（参考訳）: 国民選挙における投票者決定のような複雑な人間の行動のモデル化は、計算社会科学における長年の課題である。 従来のエージェントベースモデル(ABM)は過度に単純化された規則によって制限されるが、大規模統計モデルは解釈可能性に欠けることが多い。 FlockVoteはLLMエージェントの「計算実験室」を構築するためにLarge Language Models (LLM) を用いた新しいフレームワークである。 各エージェントは、高忠実な人口統計プロファイルと動的文脈情報(例えば、候補ポリシー)でインスタンス化され、曖昧で生成的な推論を行い、投票決定をシミュレートする。 われわれはこの枠組みを、2024年のアメリカ合衆国大統領選挙で7つの重要な揺動州に焦点をあててテストベッドとして展開する。 シミュレーションのマクロレベルの結果は、現実の成果を再現し、我々の「仮想社会」の高忠実さを実証することに成功した。 主な貢献は、予測だけでなく、解釈可能な研究ツールとしてのフレームワークの有用性である。 FlockVoteはブラックボックス出力を超えて、エージェントレベルの理論的根拠を探索し、LLM駆動の社会シミュレーションの安定性と感度を分析する。

関連論文リスト

• SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
  我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。 現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。 シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
  論文  参考訳（メタデータ） (2025-10-20T13:14:38Z)
• Population-Aligned Persona Generation for LLM-based Social Simulation [58.84363795421489]
  本稿では,社会シミュレーションのための高品質な集団対応ペルソナ集合を合成するための体系的枠組みを提案する。 我々のアプローチは、長期のソーシャルメディアデータから物語的ペルソナを生成するために、大きな言語モデルを活用することから始まる。 特定のシミュレーションコンテキストのニーズに対処するために,対象のサブポピュレーションに対してグローバルに整合したペルソナを適応させるタスク固有モジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-12T10:43:47Z)
• A Large-Scale Simulation on Large Language Models for Decision-Making in Political Science [18.521101885334673]
  我々は,大規模投票者の意思決定をシミュレートする理論駆動多段階推論フレームワークを開発した。 我々は、現実の有権者データに校正された合成人格を用いて、最近のアメリカ合衆国大統領選挙の大規模なシミュレーションを行う。
  論文  参考訳（メタデータ） (2024-12-19T07:10:51Z)
• ElectionSim: Massive Population Election Simulation Powered by Large Language Model Driven Agents [70.17229548653852]
  我々は,大規模言語モデルに基づく革新的な選挙シミュレーションフレームワークであるElectronSimを紹介する。 ソーシャルメディアプラットフォームからサンプリングした100万レベルの投票者プールを提示し、正確な個人シミュレーションを支援する。 PPEは、米国大統領選挙シナリオ下での我々の枠組みの性能を評価するための、世論調査に基づく大統領選挙ベンチマークである。
  論文  参考訳（メタデータ） (2024-10-28T05:25:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。