论文页面 - 舆论模拟中的参数化社会身份注入与多样化

来源：https://huggingface.co/papers/2603.16142

摘要

大型语言模型在舆论模拟中因隐藏表示中的身份模糊性而导致社会多样性降低。本文提出一种参数化注入框架，通过增强人口统计表征的保真度和多样性来解决这一问题。

大型语言模型 (https://huggingface.co/papers?q=Large%20language%20models)(LLMs) 近期被用作合成智能体进行舆论模拟 (https://huggingface.co/papers?q=public%20opinion%20simulation)，为成本高昂且缓慢的人类调查提供了一种有前景的替代方案。尽管具备可扩展性，当前基于LLM的模拟方法未能捕捉社会多样性，导致群体间差异扁平化，不同人口群体产生过于同质化的回应。我们将这一局限归因于LLM隐藏表示 (https://huggingface.co/papers?q=hidden%20representations) 中的“多样性崩溃” (https://huggingface.co/papers?q=Diversity%20Collapse) 现象，其中不同社会身份在各层之间逐渐变得难以区分。受此观察启发，我们提出参数化社会身份注入 (https://huggingface.co/papers?q=Parametric%20Social%20Identity%20Injection)(PSII)，这是一个通用框架，将人口统计属性 (https://huggingface.co/papers?q=demographic%20attributes) 和价值观取向 (https://huggingface.co/papers?q=value%20orientations) 的显式参数化表示直接注入LLM的中间隐藏状态。与基于提示的角色设定不同，PSII能够在表示层面实现细粒度、可控的身份调节。在世界价值观调查 (https://huggingface.co/papers?q=World%20Values%20Survey) 上使用多个开源LLM进行的大量实验表明，PSII显著提升了分布保真度和多样性，降低了与真实世界调查数据的KL散度 (https://huggingface.co/papers?q=KL%20divergence)，同时增强了整体多样性。这项工作为LLM智能体的表示层面控制 (https://huggingface.co/papers?q=representation-level%20control) 提供了新见解，并推动了可扩展、关注多样性的舆论模拟 (https://huggingface.co/papers?q=public%20opinion%20simulation) 的发展。

查看 arXiv 页面 (https://arxiv.org/abs/2603.16142)查看 PDF (https://arxiv.org/pdf/2603.16142)项目页面 (https://psii-demo.streamlit.app/)GitHub2 (https://github.com/halsayxi/PSII)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2603.16142)

在您的智能体中获取本论文：

hf papers read 2603\.16142

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

引用本论文的模型1

hexi222/psii-identity-representations 特征提取• 1天前更新 • 1 (https://huggingface.co/hexi222/psii-identity-representations)

引用本论文的数据集0

没有数据集链接本论文

在数据集的 README.md 中引用 arxiv.org/abs/2603.16142 以从此处链接。

引用本论文的 Spaces0

没有 Space 链接本论文

在 Space 的 README.md 中引用 arxiv.org/abs/2603.16142 以从此处链接。

包含本论文的收藏集0

没有收藏集包含本论文

将本论文添加到一个收藏集 (https://huggingface.co/new-collection) 中以从此处链接。