論文の概要: Beyond Static Snapshots: Dynamic Modeling and Forecasting of Group-Level Value Evolution with Large Language Models

• arxiv url: http://arxiv.org/abs/2602.14043v1
• Date: Sun, 15 Feb 2026 08:14:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.621655
• Title: Beyond Static Snapshots: Dynamic Modeling and Forecasting of Group-Level Value Evolution with Large Language Models
• Title（参考訳）: 静的スナップショットを超えて:大規模言語モデルを用いたグループレベル価値進化の動的モデリングと予測
• Authors: Qiankun Pi, Guixin Su, Jinliang Li, Mayi Xu, Xin Miao, Jiawei Jiang, Ming Zhong, Tieyun Qian,
• Abstract要約: 社会シミュレーションは複雑な社会力学をマイニングし、データ駆動意思決定をサポートするために重要である。 既存のLLMベースのアプローチは、主に離散時点におけるグループレベルの値に焦点を当てている。 LLMに基づくヒューマン・レスポンス・モデリングに歴史的価値トラジェクトリを組み込んだグループレベルの動的社会シミュレーションのための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 24.234813956858577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social simulation is critical for mining complex social dynamics and supporting data-driven decision making. LLM-based methods have emerged as powerful tools for this task by leveraging human-like social questionnaire responses to model group behaviors. Existing LLM-based approaches predominantly focus on group-level values at discrete time points, treating them as static snapshots rather than dynamic processes. However, group-level values are not fixed but shaped by long-term social changes. Modeling their dynamics is thus crucial for accurate social evolution prediction--a key challenge in both data mining and social science. This problem remains underexplored due to limited longitudinal data, group heterogeneity, and intricate historical event impacts. To bridge this gap, we propose a novel framework for group-level dynamic social simulation by integrating historical value trajectories into LLM-based human response modeling. We select China and the U.S. as representative contexts, conducting stratified simulations across four core sociodemographic dimensions (gender, age, education, income). Using the World Values Survey, we construct a multi-wave, group-level longitudinal dataset to capture historical value evolution, and then propose the first event-based prediction method for this task, unifying social events, current value states, and group attributes into a single framework. Evaluations across five LLM families show substantial gains: a maximum 30.88\% improvement on seen questions and 33.97\% on unseen questions over the Vanilla baseline. We further find notable cross-group heterogeneity: U.S. groups are more volatile than Chinese groups, and younger groups in both countries are more sensitive to external changes. These findings advance LLM-based social simulation and provide new insights for social scientists to understand and predict social value changes.
• Abstract（参考訳）: 社会シミュレーションは複雑な社会力学をマイニングし、データ駆動意思決定をサポートするために重要である。 LLMに基づく手法は, モデル集団行動に人間のような社会質問応答を活用することによって, この課題の強力なツールとして登場した。 既存のLLMベースのアプローチは、主に離散時間ポイントにおけるグループレベルの値に注目し、動的なプロセスではなく静的スナップショットとして扱う。 しかし、グループレベルの値は固定されていないが、長期的な社会的変化によって形成される。 データマイニングと社会科学の両方において重要な課題である、正確な社会進化予測には、それらのダイナミクスをモデル化することが不可欠である。 この問題は、限られた縦断データ、集団の不均一性、複雑な歴史的事象の影響により、まだ未解明のままである。 このギャップを埋めるために、歴史的価値トラジェクトリをLLMに基づく人間反応モデリングに統合し、グループレベルの動的社会シミュレーションのための新しいフレームワークを提案する。 我々は、中国と米国を代表的文脈として選択し、4つの中核的な社会デマグラフィー次元(性別、年齢、教育、収入)にわたる階層化されたシミュレーションを行う。 The World Values Survey, we constructed a multi-wave, group-level longitudinal dataset to capture historical value evolution, and then the first event-based prediction method for this task, we propose the first event-based prediction method for this task, we propose the social events, current value state, and group attribute into a single framework。 5つのLLMファミリーに対する評価は、目に見えない質問に対する最大30.88.%の改善、バニラのベースラインに対する見当たらない質問に対する33.97.%という大きな伸びを示している。 米国グループは中国グループよりも揮発性があり、両国の若いグループは外的変化に敏感である。 これらの知見は、LLMに基づく社会シミュレーションを前進させ、社会科学者が社会的価値の変化を理解し予測するための新たな洞察を提供する。

関連論文リスト

• LiveCultureBench: a Multi-Agent, Multi-Cultural Benchmark for Large Language Models in Dynamic Social Simulations [63.478832978278014]
  大規模言語モデル(LLM)は、自律的なエージェントとしてますますデプロイされているが、評価は主に文化的適切性や評価者の信頼性よりもタスクの成功に焦点を当てている。 シミュレーション町において, LLMをエージェントとして組み込んだマルチカルチャー動的ベンチマークであるLiveCultureBenchを紹介する。
  論文  参考訳（メタデータ） (2026-03-02T15:04:16Z)
• MASim: Multilingual Agent-Based Simulation for Social Science [68.04129327237963]
  マルチエージェントロールプレイングは近年,言語エージェントを用いた社会行動研究の公約を示している。 既存のシミュレーションは主に単言語であり、言語間相互作用をモデル化することができない。 我々は、最初の多言語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であるMASimを紹介する。
  論文  参考訳（メタデータ） (2025-12-08T06:12:48Z)
• 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)
• SocioBench: Modeling Human Behavior in Sociological Surveys with Large Language Models [32.66051406264919]
  大規模言語モデル(LLM)は、人間の社会的行動や相互作用をシミュレートする強力な可能性を示すが、実際の社会的態度との整合性を評価するための大規模で体系的なベンチマークは欠如している。 国際社会調査プログラム(ISSP)の年次収集標準化調査データから得られた総合的なベンチマークであるSocioBenchを紹介する。 このベンチマークは、30カ国以上から480,000件以上の実応答記録を収集し、10の社会学的ドメインと40以上の人口統計特性にまたがっている。
  論文  参考訳（メタデータ） (2025-10-13T08:22:20Z)
• 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)
• 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)
• SocioVerse: A World Model for Social Simulation Powered by LLM Agents and A Pool of 10 Million Real-World Users [70.02370111025617]
  本稿では,社会シミュレーションのためのエージェント駆動世界モデルであるSocioVerseを紹介する。 私たちのフレームワークは、4つの強力なアライメントコンポーネントと1000万の実際の個人からなるユーザプールを備えています。 SocioVerseは、多様性、信頼性、代表性を確保しつつ、大規模な人口動態を反映できることを示した。
  論文  参考訳（メタデータ） (2025-04-14T12:12:52Z)
• How Social is It? A Benchmark for LLMs' Capabilities in Multi-user Multi-turn Social Agent Tasks [6.487500253901779]
  大規模言語モデル(LLM)は、マルチユーザ、マルチターンソーシャルエージェントタスクにおいて役割を果たす。 我々は LLM の社会的能力を評価するために, 新たなベンチマーク "How Social Is It" (以下 HSII と呼ぶ) を提案する。 HSIIは、フォーマット解析、ターゲット選択、ターゲット切替会話、安定した会話の4段階から構成され、LLMのコミュニケーションとタスク完了能力を総合的に評価する。
  論文  参考訳（メタデータ） (2025-04-04T08:59:01Z)
• Social Debiasing for Fair Multi-modal LLMs [59.61512883471714]
  MLLM(Multi-modal Large Language Models)は、研究分野を劇的に進歩させ、強力な視覚言語理解機能を提供する。 これらのモデルは、しばしば訓練データから根深い社会的偏見を継承し、人種や性別などの属性に対する不快な反応をもたらす。 本稿では,MLLMにおける社会的バイアスの問題を,複数の社会的概念を持つ包括的対実的データセットを導入することで解決する。
  論文  参考訳（メタデータ） (2024-08-13T02:08:32Z)
• Training Socially Aligned Language Models on Simulated Social Interactions [99.39979111807388]
  AIシステムにおける社会的アライメントは、確立された社会的価値に応じてこれらのモデルが振舞うことを保証することを目的としている。 現在の言語モデル(LM)は、トレーニングコーパスを独立して厳格に複製するように訓練されている。 本研究は,シミュレートされた社会的相互作用からLMを学習することのできる,新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-26T14:17:36Z)

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。