論文の概要: LLM-Powered Social Digital Twins: A Framework for Simulating Population Behavioral Response to Policy Interventions

• arxiv url: http://arxiv.org/abs/2601.06111v1
• Date: Sat, 03 Jan 2026 13:25:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.580276
• Title: LLM-Powered Social Digital Twins: A Framework for Simulating Population Behavioral Response to Policy Interventions
• Title（参考訳）: LLMを利用したソーシャルデジタル双生児:政策介入に対する人口行動応答のシミュレーションフレームワーク
• Authors: Aayush Gupta, Farahan Raza Sheikh,
• Abstract要約: ソーシャルデジタルツイン(Social Digital Twins)は、大規模言語モデルが個々のエージェントの認知エンジンとして機能する仮想人口レプリカである。 新型コロナウイルスをケーススタディとして、パンデミック対応の領域でこの枠組みをインスタンス化する。 本稿では, 政策シミュレーション, アプローチの限界, パンデミック対応を超えてLLMベースのデジタル双生児を拡大するための方向性について論じる。
• 参考スコア（独自算出の注目度）: 0.2787288702904897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting how populations respond to policy interventions is a fundamental challenge in computational social science and public policy. Traditional approaches rely on aggregate statistical models that capture historical correlations but lack mechanistic interpretability and struggle with novel policy scenarios. We present a general framework for constructing Social Digital Twins - virtual population replicas where Large Language Models (LLMs) serve as cognitive engines for individual agents. Each agent, characterized by demographic and psychographic attributes, receives policy signals and outputs multi-dimensional behavioral probability vectors. A calibration layer maps aggregated agent responses to observable population-level metrics, enabling validation against real-world data and deployment for counterfactual policy analysis. We instantiate this framework in the domain of pandemic response, using COVID-19 as a case study with rich observational data. On a held-out test period, our calibrated digital twin achieves a 20.7% improvement in macro-averaged prediction error over gradient boosting baselines across six behavioral categories. Counterfactual experiments demonstrate monotonic and bounded responses to policy variations, establishing behavioral plausibility. The framework is domain-agnostic: the same architecture applies to transportation policy, economic interventions, environmental regulations, or any setting where policy affects population behavior. We discuss implications for policy simulation, limitations of the approach, and directions for extending LLM-based digital twins beyond pandemic response.
• Abstract（参考訳）: 人口が政策介入にどのように反応するかを予測することは、計算社会科学と公共政策における根本的な課題である。 伝統的なアプローチは、歴史的相関を捉える統計モデルに頼っているが、機械的解釈性や新しい政策シナリオとの闘いは欠如している。 本稿では,大規模言語モデル(LLM)が個々のエージェントの認知エンジンとして機能する仮想人口レプリカであるソーシャルデジタルツインを構築するための一般的なフレームワークを提案する。 各エージェントは、人口統計学的特性と心理学的特性によって特徴づけられ、ポリシー信号を受け取り、多次元の行動確率ベクトルを出力する。 キャリブレーション層は、集約されたエージェント応答を観測可能な人口レベルのメトリクスにマッピングし、現実世界のデータに対する検証と、反現実的なポリシー分析のためのデプロイメントを可能にする。 我々はこの枠組みをパンデミック対応の領域でインスタンス化し、リッチな観察データを用いたケーススタディとしてCOVID-19を用いた。 校正されたディジタル双生児は,6つの行動カテゴリーで基準線を上昇させる勾配に対するマクロ平均予測誤差を20.7%改善した。 カウンターファクト実験は、政策の変動に対する単調で有界な反応を示し、行動の妥当性を確立する。 同じアーキテクチャは、交通政策、経済介入、環境規制、あるいは政策が人口行動に影響を与えるあらゆる状況に適用される。 本稿では, 政策シミュレーション, アプローチの限界, パンデミック対応を超えてLLMベースのデジタル双生児を拡大するための方向性について論じる。

関連論文リスト

• Simulating and Experimenting with Social Media Mobilization Using LLM Agents [7.262048441360133]
  目覚ましい6100万人のFacebook実験 citepbond201261 に基づいて,エージェントベースのシミュレーションフレームワークを開発した。 我々は、実際の米国国勢調査人口分布、Twitterネットワークトポロジ、および異種大言語モデル(LLM)エージェントを統合し、投票者投票における動員メッセージの効果を検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:43:28Z)
• Prompts to Proxies: Emulating Human Preferences via a Compact LLM Ensemble [46.82793004650415]
  大規模言語モデル(LLM)は、様々なタスクにまたがる人間のような応答をエミュレートする可能性を実証している。 本研究では,LLMをエージェントプロキシとして扱う新しいアライメントフレームワークを提案する。 我々は、構造化されたプロンプトエンジニアリング、エントロピーに基づくサンプリング、回帰に基づく選択を用いて、LLMエージェントを代表的行動パターンに向けて操るシステムであるP2Pを紹介する。
  論文  参考訳（メタデータ） (2025-09-14T15:08:45Z)
• 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)
• Pragmatic Policy Development via Interpretable Behavior Cloning [6.177449809243359]
  本稿では,患者の行動方針の解釈可能なモデルを用いて,各患者の状態において最も頻繁に選択される行動から治療方針を導出する。 このフレームワークによって導かれるポリシーは,オフラインのRLで得られるものに対して,解釈可能な代替手段を提供することで,現在の実践を上回り得ることを実証する。
  論文  参考訳（メタデータ） (2025-07-22T22:34:35Z)
• MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。 MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。 IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)
• Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist [67.08543240320756]
  AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。 RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2021-08-06T01:30:41Z)
• Pyfectious: An individual-level simulator to discover optimal containment polices for epidemic diseases [16.28189705178286]
  本研究では、集団構造をモデル化し、疾患の伝播を個人レベルで制御できるシミュレータを提案する。 潜在的な応用を示すため、シミュレーターパラメータは新型コロナウイルスのパンデミックの正式な統計に基づいて設定される。 このシミュレーターは、パンデミックを制御するための最適なポリシーを見つけるために強化学習問題の環境として使用される。
  論文  参考訳（メタデータ） (2021-03-24T10:54:46Z)

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。