본 논문은 대규모 언어 모델(LLM)의 환경적 비용을 고려하여, 기존 설문 데이터를 재활용하고 경험적으로 근거한 가상 응답을 생성하기 위해 컴퓨터 과학의 전이 학습 패러다임을 설문 조사 연구에 적용하는 Survey Transfer Learning (STL)을 소개한다. 특히, STL은 정치 행동 이론에서 영감을 받아, 분열된 미국 맥락에서 예측력이 높은 공유 인구 통계 변수를 활용하여 설문 조사 간 지식을 전이한다. 2020년 협동 선거 연구(CES) 데이터로 사전 훈련된 신경망을 사용하여, 초기 레이어를 고정하고, 미국 전국 선거 연구(ANES) 2020 데이터로 상위 레이어를 미세 조정함으로써, STL은 CES 2022 및 ANES 2020 데이터에서 최대 93%의 정확도로 가상 응답을 생성한다.
