論文の概要: Simulating Respondents, Not Single Questions: Coherent Survey Generation with Large Language Models

• arxiv url: http://arxiv.org/abs/2609.34828v1
• Date: Mon, 28 Sep 2026 10:24:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 02:28:46.735213
• Title: Simulating Respondents, Not Single Questions: Coherent Survey Generation with Large Language Models
• Title（参考訳）: 単一質問ではなく応答のシミュレーション:大規模言語モデルを用いたコヒーレントサーベイ生成
• Abstract要約: 既存の単一項目法では、同一人物が完全な調査にどう答えるかを正確に再現することはできない。 本稿では,2種類の特殊LLMを微調整したFullRespondent-LLMを提案する。 2つの実世界のソーシャルサーベイデータセットにおいて、FR-LLMはより正確にマルチクエスト応答パターンを再現し、競合するシングルイテムの精度を維持し、人口や疑問に見当たらないように一般化する。
• 参考スコア（独自算出の注目度）: 4.1019080523855775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models are increasingly used to simulate response distributions in social surveys. Prior work has achieved accurate population-level simulation for individual questions. Real questionnaires, however, ask each respondent a sequence of related questions. A simulated respondent should show coherent preferences across the whole questionnaire, not merely accurate distributions for isolated items. Existing single-item methods cannot accurately reproduce how the same person answers a complete survey. We propose FullRespondent-LLM (FR-LLM), which fine-tunes two specialized LLMs: a marginal model for each item's response distribution and a respondent-level autoregressive model for dependencies across answers. Marginal-Constrained Joint Projection (MCJP) then projects the autoregressive joint distribution onto the set satisfying the item-level marginals learned by the first model. This yields complete questionnaires with realistic cross-item relationships while retaining strong item-level accuracy. On two real-world social survey datasets, FR-LLM more accurately reproduces multi-question response patterns, maintains competitive single-item accuracy, and generalizes better to unseen populations and questions. In a small commercial-survey dataset, we use simulated responses to make pricing and stocking decisions; FR-LLM achieves the highest realized profit.
• Abstract（参考訳）: 大規模言語モデルは、社会調査における応答分布のシミュレートにますます利用されている。 以前の研究では、個々の質問に対する正確な人口レベルのシミュレーションが達成されている。 しかし、実際の質問は、それぞれが関連する質問の連続を尋ねる。 シミュレートされた応答者は、孤立した項目の正確な分布だけでなく、全アンケートのコヒーレントな嗜好を示すべきである。 既存の単一項目法では、同一人物が完全な調査にどう答えるかを正確に再現することはできない。 本稿では,各項目の応答分布に対する限界モデルと,回答間の依存性に対する応答レベル自己回帰モデルという,2つの特殊なLLMを微調整するFullRespondent-LLM(FR-LLM)を提案する。 その後、Marginal-Constrained Joint Projection (MCJP) は、最初のモデルで学習した項目レベルの限界を満足するセットに自己回帰的関節分布を投影する。 これにより、厳密な項目レベルの精度を維持しながら、現実的な横断関係を持つ完全なアンケートが得られる。 2つの実世界のソーシャルサーベイデータセットでは、FR-LLMはより正確にマルチクエスト応答パターンを再現し、競合するシングルイテムの精度を維持し、人口や疑問をより多く一般化する。 小型の商用サーベイデータセットでは、価格決定と在庫決定のためにシミュレーションされたレスポンスを使用し、FR-LLMは最高に実現された利益を達成する。

関連論文リスト

• Whom to Query for What: Adaptive Group Elicitation via Multi-Turn LLM Interactions [13.900123583700472]
  エージェントが明示的なクエリと参加予算の下で、質問と回答者の両方を適応的に選択するマルチラウンド・セッティングであるアダプティブ・グループ・エリケーション(Adaptive group elicitation)について検討する。 提案手法は, (i) LLMに基づく予測情報取得目標と (ii) 不均一なグラフニューラルネットワークの伝搬を組み合わせ, 観測された応答と属性を集約し, 欠落した応答をインプットし, 丸ごとの応答選択をガイドする。 実世界の3つの世論データセット全体で、我々の手法は、制約された予算下での人口レベルの反応予測を継続的に改善します。
  論文  参考訳（メタデータ） (2026-02-15T19:05:34Z)
• Large Language Models as Virtual Survey Respondents: Evaluating Sociodemographic Response Generation [18.225151370273093]
  本稿では,Large Language Models (LLMs) を用いた仮想調査回答者のシミュレーションを行う。 部分属性シミュレーション(PAS)と完全属性シミュレーション(FAS)の2つの新しいシミュレーション設定を導入する。 LLM-S3 (Large Language Model-based Sociodemography Simulation Survey) は4つの社会学領域にまたがる11の現実世界の公開データセットにまたがる総合ベンチマークスイートである。
  論文  参考訳（メタデータ） (2025-09-08T04:59:00Z)
• Psychometric Item Validation Using Virtual Respondents with Trait-Response Mediators [13.3155239959814]
  大規模言語モデル(LLM)を用いた仮想応答シミュレーションのためのフレームワークを提案する。 私たちの中心となる考え方は、仲介者を説明することです。同じ特性が調査項目に対するさまざまな反応を引き起こす要因です。 3つの心理特性理論 (Big5, Schwartz, VIA) の実験により, メディエータ生成法とシミュレーションフレームワークが高妥当性項目を効果的に同定できることが示されている。
  論文  参考訳（メタデータ） (2025-07-08T11:26:03Z)
• 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)
• Multi-LLM QA with Embodied Exploration [55.581423861790945]
  未知環境における質問応答におけるマルチエンボディードLEMエクスプローラ(MELE)の利用について検討する。 複数のLSMベースのエージェントが独立して家庭用環境に関する質問を探索し、回答する。 各問合せに対して1つの最終回答を生成するために,異なるアグリゲーション手法を解析する。
  論文  参考訳（メタデータ） (2024-06-16T12:46:40Z)
• Getting MoRE out of Mixture of Language Model Reasoning Experts [71.61176122960464]
  多様な特殊言語モデルを組み込んだMixture-of-Reasoning-Experts (MoRE) フレームワークを提案する。 実例,マルチホップ,数学的,コモンセンス推論など,さまざまな推論カテゴリに最適化されたプロンプトを備えたバックボーン言語モデルを特化する。 人間の研究では、専門家による予測と回答の選択プロセスが、アノテータがシステムの出力を信頼するタイミングをより正確に調整するのに役立ちます。
  論文  参考訳（メタデータ） (2023-05-24T02:00:51Z)

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。