論文の概要: Using AI Predictions to Augment Rather Than Replace Surveys

• arxiv url: http://arxiv.org/abs/2611.06743v1
• Date: Wed, 04 Nov 2026 16:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.20293
• Title: Using AI Predictions to Augment Rather Than Replace Surveys
• Title（参考訳）: 調査を置き換えるのではなく、AI予測を使って拡大する
• Abstract要約: AI予測は調査を置き換えることはできないが、それらを強化することができる。 一般社会調査(GSS)および国民健康インタビュー調査(NHIS)に83の社会的成果の枠組みを適用して、平均を推定すると、監督された予測者が有効サンプルサイズのゲインを約7～12パーセント獲得することを見出した。
• 参考スコア（独自算出の注目度）: 7.149671481067791
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLMs can predict human survey responses with nontrivial accuracy. What this means for the future of social surveys remains hotly contested. Optimists anticipate a coming era of synthetic respondents; skeptics see a fragile and overhyped substitute. This article advocates a position: AI predictions cannot replace surveys, but they can augment them. Using prediction-powered inference (PPI), a statistical framework rooted in survey methodology and known in sociology as "mixed subjects design", the study tests whether AI predictions can improve the statistical efficiency of social surveys when combined with census-scale auxiliary information. Applying the framework to 83 social outcomes in the General Social Survey (GSS) and National Health Interview Survey (NHIS), with American Community Survey (ACS) being the auxiliary file, we find that supervised predictors yield effective-sample-size gains of about 7-12 percent when estimating the mean, while LLM gains are smaller but positive.
• Abstract（参考訳）: LLMは人間のサーベイ応答を非自明な精度で予測できる。 これがソーシャルサーベイの未来にとって意味するものは、いまだにホットな論争だ。 楽観主義者は、合成回答者の今後を予測し、懐疑主義者は脆弱で過度の代替品を見る。 AI予測は調査を置き換えることはできないが、それらを強化することができる。 調査方法論に根ざした統計フレームワークである予測駆動推論(PPI)を用いて、AI予測が国勢調査スケールの補助情報と組み合わせることで、社会調査の統計的効率を向上させることができるかどうかを検証する。 一般社会調査(GSS)および国民健康インタビュー調査(NHIS)において83の社会的成果に枠組みを適用し,米国コミュニティ調査(ACS)を補助ファイルとして,平均推定時の有効サンプルサイズのゲインが約7～12パーセント,LCMのゲインが小さいが陽性であることが確認された。

関連論文リスト

• Language Model Fine-Tuning on Scaled Survey Data for Predicting Distributions of Public Opinions [4.020002996724124]
  大規模言語モデル(LLM)は、調査設計の初期段階において、事前に調査応答を予測する。 本研究では, 調査データの特異な構造特性を利用して, 応答分布を推定するために, 直接微調整LLMを提案する。 本研究では,SubPOPの微調整により,様々なサブポピュレーションにおけるLLM予測と人間の反応の一致が大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2025-02-24T00:31:33Z)
• 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)
• United in Diversity? Contextual Biases in LLM-Based Predictions of the 2024 European Parliament Elections [42.72938925647165]
  大規模言語モデル(LLM)に基づく「合成サンプル」は、人間の調査の効率的な代替手段として有効であると議論されている。 合成サンプル」は、訓練データや微調整プロセスが多様な文脈を表わさないため偏見を呈する可能性がある。 本研究は, LLM生成合成試料を公衆の意見予測に利用できるか, どのような条件で利用できるかを検討する。
  論文  参考訳（メタデータ） (2024-08-29T16:01:06Z)
• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• Are Large Language Models (LLMs) Good Social Predictors? [36.68104332805214]
  本研究では,大規模言語モデル (LLM) が,ショートカットを伴わない一般的な入力機能を与えられた場合,社会的予測において期待通りに機能しないことを示す。 本稿では,実世界の社会学習環境の入力とシミュレートに一般的な特徴を利用する新しい社会予測タスクであるSoc-PRF予測を導入する。
  論文  参考訳（メタデータ） (2024-02-20T00:59:22Z)
• AI-Augmented Surveys: Leveraging Large Language Models and Surveys for Opinion Prediction [0.0]
  人間のような反応を生み出す大きな言語モデル(LLM)は、社会科学における研究の実践に革命をもたらし始めている。 横断的な調査を繰り返しながらLLMを微調整する新しい手法の枠組みを開発した。 AIが強化した調査の2つの新しい応用として、レトロディクション(すなわち、年レベルの欠落を予測)と、無意識の意見予測(unasked opinion prediction)を紹介した。
  論文  参考訳（メタデータ） (2023-05-16T17:13:07Z)
• Electoral Forecasting Using a Novel Temporal Attenuation Model: Predicting the US Presidential Elections [91.3755431537592]
  予備選別世論調査データを用いて予測精度を向上させる新しいマクロスケール時間減衰(TA)モデルを開発した。 我々の仮説は、世論調査を公表するタイミングは、特に選挙直前の世論の変動に重要な役割を果たす、というものである。 我々は,48年間の平均予測誤差2.8-3.28点を蓄積するTAモデルの2つの異なる実装を提案する。
  論文  参考訳（メタデータ） (2020-04-30T09:21:52Z)

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。