論文の概要: From Demographics to Survey Anchors: Evaluating LLM Agents for Modeling Retirement Attitudes

• arxiv url: http://arxiv.org/abs/2605.16303v1
• Date: Fri, 24 Apr 2026 14:01:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.87547
• Title: From Demographics to Survey Anchors: Evaluating LLM Agents for Modeling Retirement Attitudes
• Title（参考訳）: デモグラフィックから調査アンカーへ:引退態度のモデル化のためのLCMエージェントの評価
• Authors: Rubén Garzón, Pauline Baron, Vincent Grari, Jonne Kamphorst, Michael Bernstein, Marcin Detyniecki,
• Abstract要約: 我々は,人口調査エージェントの予測精度と,ドメイン内調査回答のより大きなセットで定義された調査エージェントの予測精度を比較した。 人口統計情報のみに基づくエージェントは、金融リスク寛容、将来の時間展望、退職計画の知識が、退職の貯蓄を予測していることを再現する。
• 参考スコア（独自算出の注目度）: 5.905809751012892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLM) agents may offer tools to predict human responses to surveys. A common technique for defining these agents uses only demographics, for example country, age, gender, employment status, income, education and marital status. We compare the predictive accuracy of demographic agents to that of survey agents defined with a larger set of in-domain survey responses. We test both approaches in predicting responses to the multidisciplinary, cross-national Survey of Health, Ageing and Retirement in Europe (SHARE), focusing on five variables from three policy-relevant constructs around personal finance. In these three constructs, we observe that, compared to survey agents trained on broader data, demographics-only agents (1) exhibited a central tendency bias, skewing answers toward population means, and (2) were unrealistically accurate, failing to reproduce the incorrect answers and "don't know" responses typical of human respondents. These performance differences are further substantiated through the replication of a hierarchical regression analysis from prior retirement planning research. Agents based solely on demographic information reproduce the outcome that financial risk tolerance, future time perspective, and knowledge of retirement planning each are predictive of retirement savings. However, only the survey-anchored agents succeed in reproducing the interaction among these three factors. These findings suggest caution in using only demographics to define LLM agents for predicting survey responses.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、調査に対する人間の反応を予測するツールを提供する。 これらのエージェントを定義する一般的な手法は、例えば、国、年齢、性別、雇用状況、収入、教育、婚姻状況などの人口統計のみを使用する。 我々は,人口調査エージェントの予測精度と,ドメイン内調査回答のより大きなセットで定義された調査エージェントの予測精度を比較した。 欧州における保健・高齢化・老朽化に関する多分野間調査(SHARE)への回答を予測するための両手法を検証し、個人金融に関する3つの政策関連構造から5つの変数に着目した。 これら3つの構成法では,(1) 人口統計のみに偏りがみられ,(2) は非現実的に正確であり,不正確な回答の再現に失敗し,また「知らない」回答が人間に典型的な回答であった。 これらの性能差は、事前の退職計画研究からの階層的回帰分析の複製によってさらに裏付けられる。 人口統計情報のみに基づくエージェントは、金融リスク寛容、将来の時間展望、退職計画の知識が、退職貯蓄の予測を再現する。 しかし、これらの3つの要因間の相互作用を再現することに成功したのは、調査対象のエージェントのみである。 これらの結果から, 調査回答の予測にLLMエージェントを定義するために, 人口統計のみを用いることに注意が必要であることが示唆された。

関連論文リスト

• Characterizing the ability of LLMs to recapitulate Americans' distributional responses to public opinion polling questions across political issues [0.0]
  大規模言語モデルは、ポーリングの文脈における人間の人口研究を増強する可能性に注意を向けている。 我々は,多票政治問題に対する質問に対する人間の反応を予測するための新しい枠組みを提案し,実装する。 提案手法は,個別クエリよりも低コストで精度の高い予測を行う。
  論文  参考訳（メタデータ） (2026-03-06T01:53:10Z)
• Current Agents Fail to Leverage World Model as Tool for Foresight [61.82522354207919]
  エージェントは、行動する前に結果を予測するためにそれらを使用できます。 本稿では,現在のエージェントがそのような世界モデルを,認知力を高めるツールとして活用できるかどうかを実証的に検討する。
  論文  参考訳（メタデータ） (2026-01-07T13:15:23Z)
• 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)
• Evaluating the Bias in LLMs for Surveying Opinion and Decision Making in Healthcare [7.075750841525739]
  大きな言語モデル(LLM)によって駆動されるシリコの人間の振る舞いをシミュレートするために、生成剤がますます使われてきた 本研究は、医療意思決定に関する理解アメリカ研究(UAS)の調査データと、生成エージェントからのシミュレーション応答を比較した。 人口統計に基づくプロンプトエンジニアリングを用いて、調査回答者のデジタルツインを作成し、異なるLLMが現実世界の振る舞いをいかにうまく再現するかを分析する。
  論文  参考訳（メタデータ） (2025-04-11T05:11:40Z)
• Specializing Large Language Models to Simulate Survey Response Distributions for Global Populations [49.908708778200115]
  我々は,調査応答分布をシミュレートする大規模言語モデル (LLM) を最初に開発した。 テストベッドとして、我々は2つの世界文化調査の国レベルの結果を使用します。 予測された応答分布と実際の応答分布のばらつきを最小限に抑えるために, ファースト・ツーケン確率に基づく微調整法を提案する。
  論文  参考訳（メタデータ） (2025-02-10T21:59:27Z)
• Generative Agent Simulations of 1,000 People [56.82159813294894]
  本稿では,1,052人の実人の態度と行動をシミュレートする新しいエージェントアーキテクチャを提案する。 生成エージェントは一般社会調査の参加者の回答を85%の精度で再現する。 我々のアーキテクチャは、人種的およびイデオロギー的グループにおける正確さのバイアスを、人口統計学的記述のエージェントと比較して低減する。
  論文  参考訳（メタデータ） (2024-11-15T11:14:34Z)
• AI-Augmented Surveys: Leveraging Large Language Models and Surveys for Opinion Prediction [0.0]
  人間のような反応を生み出す大きな言語モデル(LLM)は、社会科学における研究の実践に革命をもたらし始めている。 横断的な調査を繰り返しながらLLMを微調整する新しい手法の枠組みを開発した。 AIが強化した調査の2つの新しい応用として、レトロディクション(すなわち、年レベルの欠落を予測)と、無意識の意見予測(unasked opinion prediction)を紹介した。
  論文  参考訳（メタデータ） (2023-05-16T17:13:07Z)

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。