论文页面 - 利用大语言模型构建社会世界模型

来源：https://huggingface.co/papers/2606.11482

摘要

Social World Model 框架通过时序模式挖掘和证据下界优化，无需显式人工标注即可捕捉社会信念随事件的演化过程。

理解和预测社会信念如何因事件（从政策变革到科学突破）而演变，仍然是社会科学领域的一项基本挑战。鉴于大语言模型具备常识知识和社会智能，我们提出一个问题：大语言模型能否对社会事件后社会信念的动态变化进行建模？在这项工作中，我们引入了 Social World Model (SWM) 的概念，这是一个通用框架，旨在捕捉重大事件后社会信念的演变方式。SWM 通过挖掘社会数据中的时序模式并优化证据下界，来学习社会信念的状态转移函数，无需显式的人工标注将事件与信念变化联系起来，也无需昂贵的普查数据。为了评估 SWM，我们构建了一个基准测试 SWM-bench，其数据来源于真实世界的预测市场，具体包括 Kalshi 和 Polymarket。SWM-bench 包含超过 12,000 个数据点，涵盖政治、金融和加密货币等多个领域的社会信念预测任务。实验结果表明，SWM 显著优于时序基础模型，在 Kalshi 数据上取得了最先进的结果，并在 Polymarket 数据上展现出具有竞争力的性能，同时为理解社会信念动态的潜在机制提供了可解释的洞见。

查看 arXiv 页面 (https://arxiv.org/abs/2606.11482) 查看 PDF (https://arxiv.org/pdf/2606.11482) GitHub10 (https://github.com/ulab-uiuc/social-world-model) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.11482)

通过你的智能体获取这篇论文：

hf papers read 2606\.11482

没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本论文的模型 0

暂无模型链接本论文

请在模型 README.md 中引用 arxiv.org/abs/2606.11482 以从本页面建立链接。

引用本论文的数据集 0

暂无数据集链接本论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.11482 以从本页面建立链接。

引用本论文的 Spaces 0

暂无 Space 链接本论文

请在 Space README.md 中引用 arxiv.org/abs/2606.11482 以从本页面建立链接。

包含本论文的收藏集 0

暂无收藏集包含本论文

请将本论文添加到一个收藏集 (https://huggingface.co/new-collection) 中以从本页面建立链接。