論文の概要: How Well Do Large Language Models Capture Human Personality?

• arxiv url: http://arxiv.org/abs/2606.18263v1
• Date: Tue, 12 May 2026 10:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.915612
• Title: How Well Do Large Language Models Capture Human Personality?
• Title（参考訳）: 大規模言語モデルはいかに人格を捉えるか?
• Abstract要約: 大規模言語モデル(LLM)は、ペルソナのプロンプトを通じて人間の人口をシミュレートするためにますます使われている。 本研究では、より豊かなペルソナ記述が行動の忠実性を改善するという仮定を定式化し、同様に大きさの属性の組み合わせは等しくシミュレート可能であり、ペルソナ定義はタスク全体にわたって一般化される。 我々はペルソナ多様体崩壊という基本的な限界を特定し、そこでは表現的・行動的多様性の体系的収縮につながる表現的ペルソナ仕様が増加する。
• 参考スコア（独自算出の注目度）: 38.97721735513693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly used to simulate human populations via persona prompting, often under the assumptions that richer persona descriptions improve behavioral fidelity, similarly sized attribute combinations are equally simulatable, and persona definitions generalize across tasks. In this work, we formalize these assumptions and systematically evaluate them across multiple architectures, scales, and simulation settings. We identify a fundamental limitation we term persona manifold collapse, where increasingly expressive persona specifications lead to systematic contraction of representational and behavioral diversity. Across models, increasing persona complexity consistently reduces inter-persona separation in latent space and weakens behavioral differentiation in downstream simulation tasks. These effects persist across multiple analyses as richer personas fail to preserve human subgroup disagreement, performance varies across attribute combinations of similar size, and adding descriptive detail often degrades rather than improves simulation fidelity. Surprisingly, simple Age-Gender personas consistently outperform richly specified Ideal Customer Profiles (ICPs) across industries, achieving substantially higher downstream prediction accuracy. We find that collapse is not uniform across attributes. Certain combinations remain behaviorally stable and preserve stronger alignment with human responses, forming localized regions we term alignment bridges. Together, our results provide empirical and conceptual foundations for understanding the limits of persona-conditioned simulation, highlighting the need for representation-aware persona construction rather than increasing persona expressivity alone.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、より豊かなペルソナ記述が行動の忠実性を改善するという仮定の下で、ペルソナのプロンプトを通じてヒトの人口をシミュレートするためにますます使われており、同様に大きさの属性の組み合わせは同様にシミュレート可能であり、ペルソナの定義はタスク全体にわたって一般化される。 本研究では、これらの仮定を形式化し、複数のアーキテクチャ、スケール、シミュレーション設定で体系的に評価する。 我々はペルソナ多様体崩壊という基本的な限界を特定し、そこでは表現的・行動的多様性の体系的収縮につながる表現的ペルソナ仕様が増加する。 モデル全体で、ペルソナの複雑さの増大は、潜伏空間における対人分離を一貫して減少させ、下流シミュレーションタスクにおける行動の分化を弱める。 これらの効果は、よりリッチなペルソナが人間のサブグループ不一致を維持するのに失敗し、類似の大きさの属性の組み合わせによってパフォーマンスが変化し、シミュレーションの忠実性を改善するよりも説明的な詳細が劣化することが多いため、複数の分析で継続される。 驚くべきことに、単純な老年男女の人格は、業界全体でリッチに指定された理想的顧客プロファイル(ICP)より優れており、下流での予測精度はかなり高い。 崩壊は属性間で均一ではないことが分かっています。 ある組み合わせは行動的に安定であり、人間の反応とより強く一致し、アライメントブリッジと呼ばれる局所的な領域を形成する。 本研究は,人格表現力のみを増大させるのではなく,人格認識型人格構築の必要性を強調し,人格条件付きシミュレーションの限界を理解するための実証的,概念的な基盤を提供する。

関連論文リスト

• The Chameleon's Limit: Investigating Persona Collapse and Homogenization in Large Language Models [12.654067061944074]
  大規模言語モデル(LLM)に基づくアプリケーションでは,エージェント間の個体数の多様性が要求される。 エージェントはそれぞれ異なるプロファイルを割り当てるが、それでも狭い行動モードに収束し、均質なシミュレートされた人口を生み出す。
  論文  参考訳（メタデータ） (2026-04-27T17:01:48Z)
• Towards Real-world Human Behavior Simulation: Benchmarking Large Language Models on Long-horizon, Cross-scenario, Heterogeneous Behavior Traces [81.41397370235102]
  我々はOmniBehaviorを紹介した。OmniBehaviorは実世界のデータから構築された最初のユーザシミュレーションベンチマークである。 現在のモデルでは,コンテキストウィンドウが拡大しても,複雑な振る舞いを正確にシミュレートすることが困難であることを示す。 この結果、個人差や長い尾の挙動が失われ、将来の高忠実度シミュレーション研究における重要な方向性が浮き彫りになる。
  論文  参考訳（メタデータ） (2026-04-09T15:26:21Z)
• Persona-Based Simulation of Human Opinion at Population Scale [1.4904327869894571]
  SPIRITは予測ではなくシミュレーション用に明示的に設計されたフレームワークである。 心理学的に根ざした半構造化されたペルソナを公共のソーシャルメディア投稿から推測する。 Ipsos KnowledgePanelを用いて、SPIRIT条件のシミュレーションにより、人口動態よりも自己報告された回答をより忠実に回収できることを示す。
  論文  参考訳（メタデータ） (2026-03-28T00:10:57Z)
• HumanLLM: Towards Personalized Understanding and Simulation of Human Nature [72.55730315685837]
  HumanLLMは個人のパーソナライズされた理解とシミュレーションのために設計された基礎モデルである。 私たちはまず、Reddit、Twitter、Blogger、Amazonといったプラットフォーム上で、現実世界のユーザデータをキュレートした大規模なコーパスであるCognitive Genomeを構築しました。 次に、多様な学習タスクを定式化し、教師付き微調整を行い、モデルの幅広い個人化された人間の行動、思考、経験を予測する。
  論文  参考訳（メタデータ） (2026-01-22T09:27:27Z)
• HUMANLLM: Benchmarking and Reinforcing LLM Anthropomorphism via Human Cognitive Patterns [59.17423586203706]
  本稿では,心理的パターンを因果力の相互作用として扱うフレームワークであるHUMANLLMを提案する。 12,000の学術論文から244のパターンを構築し、2-5のパターンが相互に強化、衝突、変調されるシナリオ11,359を合成する。 我々の二重レベルチェックリストは、個々のパターンの忠実度と創発的なマルチパターンのダイナミクスを評価し、強い人間のアライメントを達成する。
  論文  参考訳（メタデータ） (2026-01-15T08:56:53Z)
• The Need for a Socially-Grounded Persona Framework for User Simulation [32.09483697866529]
  本稿ではペルソナ構築と評価のためのフレームワークSCOPEを紹介する。 人口統計のみのペルソナが構造的ボトルネックであることがわかった。 心理学的側面を追加することで行動予測が改善し、過度なアセンテーションが減少する。 以上の結果から, 人格の質は, 階層的テンプレートや要約よりも, 心理学的構造に依存していることが示唆された。
  論文  参考訳（メタデータ） (2026-01-12T00:27:18Z)
• TwinVoice: A Multi-dimensional Benchmark Towards Digital Twins via LLM Persona Simulation [55.55404595177229]
  大型言語モデル(LLM)は、人間のような能力を示す。 TwinVoiceは、さまざまな現実世界のコンテキストにわたるペルソナシミュレーションを評価するためのベンチマークである。
  論文  参考訳（メタデータ） (2025-10-29T14:00:42Z)
• 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)

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。