跨调查迁移的硅采样

arXiv cs.AI 论文
large-language-models survey-simulation evaluation-framework cross-survey-transfer social-science ai-research

摘要

提出将跨调查迁移作为基于LLM的人类调查模拟的严格评估框架，发现零样本LLM在未见项目上达到52%的准确率。

arXiv:2607.03091v1 公告类型：新 摘要：硅采样——使用大型语言模型（LLM）模拟人类调查受访者——已成为增强传统调查研究的一种有前景的方法。然而，大多数评估依赖于分布比较而非个体层面的预测，这有可能混淆模式匹配与连贯的受访者层面预测。我们提出跨调查迁移，这是一个更严格的评估框架：向LLM提供受访者对一组问题的回答，并要求其预测该受访者对同一调查中完全不同问题的回答。利用2024年台湾选举与民主化研究（TEDS）的数据、三个开源权重LLM（27B-120B参数）以及有监督机器学习基线，我们发现：（1）零样本LLM在真正未见项目上达到52%的准确率，与在同一人群数据上训练的有监督随机森林仅差6个百分点（pp）；（2）存在稳定的构念可预测性层级，从党派态度的67%到主权问题的23%；（3）方差崩溃和安全对齐效应——两个常被引用的LLM局限性——比先前报道的更为微妙，方差崩溃同样影响有监督模型，而安全对齐效应在不同模型家族间差异显著。这些发现阐明了硅采样的前景与局限。
查看原文
查看缓存全文

缓存时间: 2026/07/07 04:34 

# 跨调查迁移的硅采样方法

来源：https://arxiv.org/abs/2607.03091  
查看 PDF (https://arxiv.org/pdf/2607.03091)

> **摘要**：硅采样——利用大型语言模型（LLMs）模拟人类调查受访者——已成为增强传统调查研究的潜在方法。然而，大多数评估依赖分布层面的比较而非个体层面的预测，这可能导致将模式匹配与连贯的受访者层面预测混为一谈。我们提出跨调查迁移（cross-survey transfer）这一更为严格的评估框架：模型需根据受访者对一组问题的回答，预测其对同一调查中完全不同问题的答案。利用2024年台湾选举与民主化调查（TEDS）数据、三个开放权重LLMs（270亿至1200亿参数）以及有监督机器学习基线，我们发现：（1）零样本LLMs在真正未见项目上达到52%的准确率，距基于同群体数据训练的有监督随机森林仅差6个百分点；（2）存在稳定的构念可预测性层级结构，从67%的政党态度到23%的主权观点不等；（3）方差坍缩与安全对齐效应——这两类常被引用的LLM局限——实际上比先前报告更为复杂：方差坍缩同样影响有监督模型，而对齐效应在不同模型家族间差异显著。这些发现厘清了硅采样的前景与边界。

## 提交历史

来自：Yihuang Kang [查看邮箱 (https://arxiv.org/show-email/90f46de8/2607.03091)] **[v1]**  
2026年7月3日，星期五，08:22:18 UTC（454 KB）

相似文章

评估 LLM 在受控实验中作为人类代理的可靠性

arXiv cs.CL

本论文通过比较 LLM 生成的数据与人类在准确性感知调查中的反应，评估现成 LLM 是否能可靠地模拟受控行为实验中的人类反应。研究发现，虽然 LLM 能捕捉方向性效应和聚合信念更新模式，但它们的效应大小与人类尺度不一致，这有助于澄清合成 LLM 数据何时可以作为行为代理。

当合成用户失效时：LLM模拟人类调查响应的跨领域基准测试

arXiv cs.CL

本文在两个大规模数据集上对LLM模拟的人类调查响应进行了基准测试，发现没有模型在个体层面上能超越简单的基线，并且模型系统性地过度决定人口统计特征，扭曲了群体差异。这些失败在不同模型规模和系列中持续存在，引发了对使用合成用户进行决策支持的担忧。