論文の概要: Validating LLM-generated political networks with survey-reported partisan exposure

• arxiv url: http://arxiv.org/abs/2610.23199v1
• Date: Fri, 16 Oct 2026 09:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.855508
• Title: Validating LLM-generated political networks with survey-reported partisan exposure
• Title（参考訳）: 調査報告されたパルチザン暴露によるLDM生成政治ネットワークの検証
• Abstract要約: 我々は、全国を代表するANES 2020-2022 Social Media Studyから採取したペルソナを用いて、LSMに基づく政治ネットワークを生成する。 生成されたネットワークの構造的特性と政治的優越性を特徴付ける。 生成したネットワークの構造と政治的優越性は、実験的な構成によって異なることがわかった。
• 参考スコア（独自算出の注目度）: 5.57493243901612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly used to simulate human behavior in social science research, including decisions, interactions, and social relationships. However, in network formation tasks, existing evaluations often focus on aggregate network properties, while networks with plausible structural properties may still fail to reproduce individuals' social and political environments. Here, we generate LLM-based political networks using personas sampled from the nationally representative ANES 2020--2022 Social Media Study and use respondents' survey-reported partisan exposure as an empirical benchmark for the political environments generated for the corresponding personas. We first characterize the structural properties and political assortativity of the generated networks, and then compare ego-level partisan exposure with the survey. We find that the structure and political assortativity of the generated networks vary across experimental configurations. More importantly, when comparing generated partisan exposure with the survey, some models generate stronger separation between Democratic and Republican egos than reported in the survey, with higher same-party and lower cross-party exposure, while others mainly underestimate Republican exposure across ego groups. Moreover, networks with similar political assortativity can still generate different partisan environments around the same personas, including among networks with plausible structural properties. Finally, generated networks show group-specific errors, under- or overestimating exposure to either Democrats or Republicans for specific social groups. These findings show that evaluating LLM-based social simulations only through aggregate outcomes can hide errors in the local environments through which those outcomes emerge, highlighting the importance of validation at both aggregate and individual levels.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、意思決定、相互作用、社会的関係を含む社会科学研究における人間の振る舞いをシミュレートするために、ますます使われている。 しかしながら、ネットワーク形成タスクにおいては、既存の評価はネットワーク特性の集約に重点を置いている場合が多いが、もっとも高い構造特性を持つネットワークは、個人の社会的・政治的環境を再現できない場合がある。 本稿では,全国の代表者であるANES 2020-2022 ソーシャルメディア・スタディから抽出したペルソナを用いて LLM ベースの政治ネットワークを生成し,回答者が報告したパルチザン曝露を,対応するペルソナの政治環境に関する実証的なベンチマークとして利用する。 まず、生成されたネットワークの構造的特性と政治的優越性を特徴付け、その上で、エゴレベルのパルチザン露光とサーベイを比較した。 生成したネットワークの構造と政治的優越性は、実験的な構成によって異なることがわかった。 さらに重要なことは、この調査で生成されたパルチザン曝露と比較すると、一部のモデルは、調査で報告されたよりも民主党と共和党のエゴの分離が強くなり、同党と低党のエクスポージャーが増加し、他のモデルは、主にエゴグループの共和党の露出を過小評価している。 さらに、同様の政治的優越性を持つネットワークは、高い構造特性を持つネットワークを含む、同じペルソナの周りに異なるパーティショナ環境を創出することができる。 最後に、生成されたネットワークは、特定の社会グループに対して民主党か共和党に過大評価される、あるいは過大評価されるグループ固有のエラーを示す。 これらの結果から, LLMに基づく社会シミュレーションの評価は, 集合的結果のみで, それらの結果が出現する局所的な環境における誤りを隠蔽し, 集合的, 個人的レベルの検証の重要性を浮き彫りにした。

関連論文リスト

• Simulating and Experimenting with Social Media Mobilization Using LLM Agents [7.262048441360133]
  目覚ましい6100万人のFacebook実験 citepbond201261 に基づいて,エージェントベースのシミュレーションフレームワークを開発した。 我々は、実際の米国国勢調査人口分布、Twitterネットワークトポロジ、および異種大言語モデル(LLM)エージェントを統合し、投票者投票における動員メッセージの効果を検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:43:28Z)
• Population-Aligned Persona Generation for LLM-based Social Simulation [58.84363795421489]
  本稿では,社会シミュレーションのための高品質な集団対応ペルソナ集合を合成するための体系的枠組みを提案する。 我々のアプローチは、長期のソーシャルメディアデータから物語的ペルソナを生成するために、大きな言語モデルを活用することから始まる。 特定のシミュレーションコンテキストのニーズに対処するために,対象のサブポピュレーションに対してグローバルに整合したペルソナを適応させるタスク固有モジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-12T10:43:47Z)
• Emergence of human-like polarization among large language model agents [79.96817421756668]
  我々は、何千もの大規模言語モデルエージェントを含むネットワーク化されたシステムをシミュレートし、それらの社会的相互作用を発見し、人間のような偏極をもたらす。 人間とLLMエージェントの類似性は、社会的分極を増幅する能力に関する懸念を提起するだけでなく、分極を緩和するためのもっともらしい戦略を識別するための貴重なテストベッドとして機能する可能性も持っている。
  論文  参考訳（メタデータ） (2025-01-09T11:45:05Z)
• Beyond Partisan Leaning: A Comparative Analysis of Political Bias in Large Language Models [6.549047699071195]
  本研究では、大規模言語モデルにおける政治的行動を評価するために、ペルソナフリーでトピック固有のアプローチを採用する。 米国、ヨーロッパ、中国、中東で開発された43の大規模言語モデルからの反応を分析した。 発見は、ほとんどのモデルが中心左あるいは左イデオロギー的にリーンであり、非党派的エンゲージメントパターンが異なることを示している。
  論文  参考訳（メタデータ） (2024-12-21T19:42:40Z)
• ElectionSim: Massive Population Election Simulation Powered by Large Language Model Driven Agents [70.17229548653852]
  我々は,大規模言語モデルに基づく革新的な選挙シミュレーションフレームワークであるElectronSimを紹介する。 ソーシャルメディアプラットフォームからサンプリングした100万レベルの投票者プールを提示し、正確な個人シミュレーションを支援する。 PPEは、米国大統領選挙シナリオ下での我々の枠組みの性能を評価するための、世論調査に基づく大統領選挙ベンチマークである。
  論文  参考訳（メタデータ） (2024-10-28T05:25:50Z)
• LLMs generate structurally realistic social networks but overestimate political homophily [42.229210482614356]
  生成AI、特に大規模言語モデル(LLM)は、ソーシャルネットワーク生成の新しい可能性を提供します。 ネットワーク生成のための3つのプロンプト手法を開発し、生成したネットワークを実際のソーシャルネットワーク群と比較する。 より現実的なネットワークは、LLMが1つのペルソナの関係を1度に構築する"ローカル"な手法で生成される。 また, 生成されたネットワークは, 密度, クラスタリング, 接続性, 次数分布など, 様々な特性で実ネットワークと一致していることがわかった。
  論文  参考訳（メタデータ） (2024-08-29T15:36:52Z)
• Physical partisan proximity outweighs online ties in predicting US voting outcomes [5.994629264812846]
  個別調査データと集約・非特定コロケーションとオンラインネットワークデータを用いて,米国におけるパルチザン曝露と投票選択との関係について検討した。 我々は、コロケーションパターンによって捉えられた物理的空間におけるパルチザン露光が、アメリカの郡における選挙結果をより正確に予測することを発見した。 また、郡レベルの経験者分離を推定し、個人の人口動態と社会経済特性との関係について検討した。
  論文  参考訳（メタデータ） (2024-07-16T20:02:18Z)

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。