論文の概要: Multi-dimensional Bias in Modeling Multi-dimensional Preferences: Evaluating the Ability of Synthetic Agents to Replace Human Participants in Conjoint Experiments
- arxiv url: http://arxiv.org/abs/2609.04243v1
- Date: Thu, 13 Aug 2026 13:44:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 16:32:15.637218
- Title: Multi-dimensional Bias in Modeling Multi-dimensional Preferences: Evaluating the Ability of Synthetic Agents to Replace Human Participants in Conjoint Experiments
- Title（参考訳）: 多次元選好のモデル化における多次元バイアス--共役実験におけるヒトの参加を代替する合成剤の能力の評価
- Abstract要約: 本稿では, 合成エージェントが, 多次元の人間の嗜好パターンを再現できるかどうかを考察する。
共役研究を再現し、合成エージェントが生成した結果を3次元の人間のデータと比較する。
- 参考スコア（独自算出の注目度）: 3.5330809691508924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite growing interest in using LLMs to add robustness or reduce data-collection costs in survey experiments, their efficacy in conjoint design---an increasingly popular method in political science---remains underexplored. This paper addresses that gap by investigating whether synthetic agents can reproduce the multi-dimensional human preference patterns that conjoint is designed to capture. It replicates published conjoint studies and compares the results generated by synthetic agents with original human data along three dimensions: representational correspondence, inferential correspondence, and procedural stability. Our analysis evaluates the alignment of choice distributions as well as the statistical and substantive similarity of estimates, and the results are uneven across these dimensions and studies replicated. This implies that the validity of synthetic participants should be considered claim-dependent and hierarchical. Reproducing a figure or obtaining strong sign agreement is evidence of similar aggregate outputs, but not enough to support replacing human respondents. Our results suggest that the discipline as a whole must first map this innovation's boundaries across various levels before considering synthetic agents a robust substitute for human samples.
- Abstract（参考訳）: 調査実験におけるロバスト性の追加やデータ収集コストの削減にLSMを使うことへの関心が高まったにもかかわらず、コンジョイントデザインにおけるその効果は、政治的科学においてますます人気が高まっている。
本稿では, 合成エージェントが結合した多次元の人間の嗜好パターンを再現できるかどうかを検討することにより, ギャップを解消する。
共役研究を再現し、合成エージェントが生成した結果と、表現対応、推論対応、手続き安定性の3次元に沿った元の人間のデータを比較する。
本分析では, 選択分布のアライメントと, 推定値の統計的および実体的類似性を評価し, 結果はこれらの次元にわたって不均一であり, 再現された研究である。
これは、合成参加者の妥当性はクレームに依存し、階層的であるとみなすべきであることを意味する。
図を再現したり、強いサインの合意を得たりすることは、同様の集計結果の証拠だが、人間の答えを置き換えるのに十分ではない。
我々の研究結果は、この分野はまず、合成剤を人間のサンプルの堅牢な代替品として考える前に、このイノベーションの境界を様々なレベルにわたってマッピングする必要があることを示唆している。
関連論文リスト
- Validated Hypotheses as a Lens for Human-Likeness Evaluation in AI Agents [9.035161362850369]
我々は、このレンズをHumanStudy-Benchというオープンなプラットフォームを通じて操作し、公開されている人物体の研究を再利用可能なシミュレーション環境に変える。
独立複製により仮説をしっかりと確立した12種類の研究の初期のスイートをキュレートし, エージェント設計を4つのモデルで評価した。
エージェント設計はモデルスケールよりもアライメントに影響を及ぼすが,その効果はモノトニックではない。
論文 参考訳（メタデータ） (2026-05-14T23:25:02Z) - Can Finetuing LLMs on Small Human Samples Increase Heterogeneity, Alignment, and Belief-Action Coherence? [9.310571879281186]
大規模言語モデル(LLM)は、調査および実験研究における人間の参加者の代用として機能する。
LLMは、しばしば実際の人間の行動と一致せず、限られた多様性を示し、少数派のサブグループに対する体系的なミスアライメントを示し、グループ内でのばらつきが不十分であり、言明された信念と行動の相違を示す。
本研究では、パイロットスタディから得られるような、人間の調査データのごく一部を微調整することで、これらの問題を緩和し、現実的なシミュレーション結果が得られるかどうかを検討する。
論文 参考訳（メタデータ） (2025-11-26T09:50:42Z) - Neural network embeddings recover value dimensions from psychometric survey items on par with human data [7.5591367381052175]
SQuID(Survey and Questionnaire Item Embeddings Differentials)は,ニューラルネットワークの埋め込みによって心理測定項目から潜伏次元を復元する手法である。
本研究では,SQuIDで処理された大規模言語モデルから得られた埋め込みが,人間のレーダ判断から得られた人間の値の構造を復元できることを実証する。
論文 参考訳（メタデータ） (2025-09-29T15:14:54Z) - 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) - Valid Inference with Imperfect Synthetic Data [39.10587411316875]
モーメントの一般化法に基づく新しい推定器を提案する。
合成データのモーメント残差と実データのモーメント間の相互作用は、対象パラメータの推定を大幅に改善できることがわかった。
論文 参考訳（メタデータ） (2025-08-08T18:32:52Z) - Generating Feasible and Diverse Synthetic Populations Using Diffusion Models [5.689443449061003]
集団合成は、人口の人工的かつ現実的な表現を生成することに関わる重要な課題である。
深層生成モデルは、実際の集団に存在するがサンプルデータには存在しない可能性のある属性の組み合わせを合成することができる。
本研究では,新しい拡散モデルに基づく集団合成法を提案し,その基礎となる集団の結合分布を推定する。
論文 参考訳（メタデータ） (2025-08-06T03:11:27Z) - Human Preferences in Large Language Model Latent Space: A Technical Analysis on the Reliability of Synthetic Data in Voting Outcome Prediction [5.774786149181393]
大規模言語モデル(LLM)における人口統計特性と即時変動が潜在世論マッピングに与える影響を解析する。
LLMが生成したデータは、実世界の人間の反応で観測された分散を再現できないことがわかった。
政治分野では、ペルソナ・ツー・パーティのマッピングは限定的な分化を示しており、結果として、調査データに見られる意見の微妙な分布に欠ける合成データとなる。
論文 参考訳（メタデータ） (2025-02-22T16:25:33Z) - Generating on Generated: An Approach Towards Self-Evolving Diffusion Models [58.05857658085845]
再帰的自己改善(Recursive Self-Improvement、RSI)は、インテリジェンスシステムがその能力を自律的に改善することを可能にする。
本稿では、テキスト・画像拡散モデルにおけるRSIの適用について検討し、合成データによるトレーニング崩壊の課題に対処する。
論文 参考訳（メタデータ） (2025-02-14T07:41:47Z) - Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z)
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。