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

• 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)
• 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)

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。