論文の概要: Behavioral History Outperforms Descriptions of the Person for LLM Synthetic Personas

• arxiv url: http://arxiv.org/abs/2610.03998v1
• Date: Fri, 02 Oct 2026 20:01:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 21:07:20.53875
• Title: Behavioral History Outperforms Descriptions of the Person for LLM Synthetic Personas
• Title（参考訳）: 行動履歴がLLM合成人格の人格記述に及ぼす影響
• Abstract要約: 合成回答者が各個人の後の選択を予測するのに役立つ情報について検討する。 私たちは、14の行動バイアスの測定を完了した845人の成人の2波パネルを使用します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models (LLMs) are increasingly used as synthetic personas representing survey respondents. Their validity as substitutes for particular respondents depends on whether they reproduce individuals' decisions. We examine what information helps synthetic respondents predict each individual's later choices, using five conditions that add progressively richer information: no personal information, demographics, personality traits, cognitive scores, and finally the respondent's earlier survey choices as behavioral history. We use a two-wave panel of 845 US adults who completed measures of 14 behavioral biases (spanning risk, time preferences, overconfidence, and reasoning), so each respondent's earlier answers provide a human test-retest benchmark; in the behavioral-history condition, all items that score the target bias are withheld. At the population level, the average number of biases per respondent in every condition is close to the human average (7.1-8.1 biases, against 7.1 for humans). This aggregate similarity masks differences in variance: persona descriptions recover only 53-67% of human between-person variation, whereas adding behavioral history restores it to approximately the human level. At the individual level, description-based personas achieve only 7-12% of the informedness observed in human test-retest responses, while adding behavioral history raises this to 28%. The condition including behavioral history has the highest estimated informedness in all 17 demographic groups, whereas description-based conditions provide little or no information for some groups. Synthetic responses also exhibit stronger education- and income-related differences than human responses. For LLM synthetic personas, a respondent's past answers add more to individual-level prediction than a description of who they are.
• Abstract（参考訳）: 大規模言語モデル (LLM) は, 調査対象者を代表する合成ペルソナとしてますます利用されている。 特定の回答者の代用としての有効性は、個人の判断を再現するかどうかによって異なる。 個人情報、人口統計、性格特性、認知的スコア、そして最後に、反応者の行動履歴としての初期の調査選択の5つの条件を用いて、合成された回答者が個々の個人の後の選択を予測するのにどんな情報を使うかを検討する。 我々は,14の行動バイアス(スパンニングリスク,時間優先,過信,推論)を完遂した845人の成人845名の2波パネルを用いて,各被験者の早期回答は,人間のテスト-テストベンチマークを提供する。 人口レベルでは、全ての条件で応答する平均バイアス数は人間の平均に近く(7.1-8.1バイアス、人間は7.1バイアス)。 人格記述は人格間の変動の53～67%しか回復しないのに対して、行動履歴を追加すると、ほぼ人間レベルに回復する。 個人レベルでは、記述に基づくペルソナは、人間のテスト-テスト応答で観察される知能の7-12%しか達成していないが、行動履歴を追加すると28%に上昇する。 行動史を含む条件は、すべての17の人口集団において最も高い推定情報を持っているが、説明に基づく条件は、一部のグループに対してほとんど、あるいは全く情報を提供していない。 合成反応はまた、人間の反応よりも教育と収入に関する差異が強い。 LLM合成ペルソナでは、応答者の過去の回答は、自分が誰であるかの記述よりも個人レベルの予測に重きを置いている。

関連論文リスト

• Data-Driven Personas for Survey Simulation: Insights into Simulation Alignment Across Data-Access Regimes [9.695429033693229]
  本研究では、異種、匿名化された公開行動データ条件エージェントから誘導される人物の集団レベルの調査シミュレーションについて検討する。 ドメイン外ソースから誘導されるペルソナは、基本的な人口統計情報にのみ条件付けされたシミュレーションを上回ることは滅多にない。 よりリッチな行動証拠は、より安定したペルソナ特性推定を可能にし、より良い未確認質問のシミュレーションアライメントに転送することができると結論付けている。
  論文  参考訳（メタデータ） (2026-10-05T05:30:27Z)
• When Persona Attributes Improve Population Alignment in Large Language Models [2.416660506672577]
  ペルソナ・プロンプト(ペルソナ・プロンプト)とは、「ペルソナ」の短い文章による記述を用いて大きな言語モデルを操る実践のこと。 最近の研究は、成功と失敗の明確なパターンなしにペルソナが促す、混ざった部分的に矛盾した結果を生み出しています。 属性選択方法がどう機能するか、どのように選択するかは、まだ不明である。
  論文  参考訳（メタデータ） (2026-09-02T12:30:56Z)
• Unmasking Implicit Bias: Evaluating Persona-Prompted LLM Responses in Power-Disparate Social Scenarios [4.626073646852022]
  応答のセマンティックシフトを測定するために,コサイン距離を用いた新しいフレームワークを提案する。 我々は、人口動態が、権力の異なる社会シナリオにおける応答品質にどのように影響するかを評価する。 以上の結果から,中高年で有能な母国生まれのコーカサス系無神論的男性に対する「デフォルト・ペルソナ」バイアスが示唆された。
  論文  参考訳（メタデータ） (2025-03-03T13:44:03Z)
• 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)
• ChatGPT vs Social Surveys: Probing Objective and Subjective Silicon Population [7.281887764378982]
  大規模言語モデル(LLM)は、社会調査における人間の反応をシミュレートし、信頼できる予測を生成する可能性を秘めている。 GPTにより生成したシリコン試料の集団パラメータを同定するサンプリング分布を生成するために,繰り返しサンプリングを用いる。 以上の結果から、GPTの人口分布は、性別と平均年齢の点で、2020年の米国人口と一致していることがわかった。 GPTの立位スコアの点推定は極めて矛盾しており、特定のイデオロギーに対する明確な傾きを示していない。
  論文  参考訳（メタデータ） (2024-09-04T10:33:37Z)
• Do LLMs exhibit human-like response biases? A case study in survey design [66.1850490474361]
  大規模言語モデル(LLM)が人間の反応バイアスをどの程度反映しているかについて検討する。 アンケート調査では, LLMが人間のような応答バイアスを示すかどうかを評価するためのデータセットとフレームワークを設計した。 9つのモデルに対する総合的な評価は、一般のオープンかつ商用のLCMは、一般的に人間のような振る舞いを反映しないことを示している。
  論文  参考訳（メタデータ） (2023-11-07T15:40:43Z)
• Are Personalized Stochastic Parrots More Dangerous? Evaluating Persona Biases in Dialogue Systems [103.416202777731]
  我々は、対話モデルが採用するペルソナに付随する有害な行動の感度であると定義する「ペルソナバイアス」について検討する。 我々は,人格バイアスを有害な表現と有害な合意のバイアスに分類し,攻撃性,有害継続性,関連性,ステレオタイプ合意,および有害合意の5つの側面において,人格バイアスを測定する包括的な評価枠組みを確立する。
  論文  参考訳（メタデータ） (2023-10-08T21:03:18Z)

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。