행동 패턴이 사람의 설명보다 LLM 합성 인물에 대한 성능을 높인다.

대규모 언어 모델(LLM)은 점점 더 많은 설문 조사 응답자의 대체로 사용되기 시작했다. 대체로 사용하는 유효성을 결정하는 것은 응답자가 개인의 결정이 재현되는지 여부이다. 우리는 다음 5 가지 조건을 사용하여 인공 응답자가 개인의 후속 선택을 예측하는 데 도움이 되는 정보를 무엇인지 조사했다. 1. 개인 정보가 없는 경우 2. 인구 통계 정보 3. 성격 특성 4. 인지 점수 5. 최종적으로 응답자의 이전 설문 조사 결과를 포함한 행동 기록 이 연구에서는 845 명의 미국 성인들이 14 가지 행동 편향을 측정한 두 차례의 패널 데이터를 사용했다. 각 응답자의 이전 답변은 인간의 재테스트 기준을 제공한다. 행동 기록 조건에서, 모든 편향을 측정하는 항목은 제외했다. 집단 수준에서, 모든 조건에서 평균 편향당 응답자는 인간 평균과 유사하다(7.1-8.1 편향, 인간의 경우 7.1). 집단 수준의 유사성은 편차 차이를 숨긴다. 개인 설명을 사용한 인공 응답자가 인간 간의 변화를 53-67%만 복원할 수 있지만, 행동 기록을 추가하면 인간 수준으로 복원된다. 개인 수준에서, 개인 설명을 기반으로한 인공 응답자는 인간의 재테스트 답변에서 관찰된 정보도 7-12%만 복원할 수 있지만, 행동 기록을 추가하면 28%로 높아진다. 행동 기록을 포함한 조건이 모든 17 개의 인구 통계 그룹에서 가장 높은 정보도 제공한다. 개인 설명 기반 조건은 일부 그룹에서 거의 또는 전혀 정보를 제공하지 않는다. 대규모 언어 모델 인공 인격을 사용할 때, 개인의 이전 답변은 개인 수준의 예측에 더 많은 기여를 한다.