LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals

작성자

Haebom

카테고리

Empty

저자

Joon Sung Park, Carolyn Q. Zou, Jonne Kamphorst, Niles Egan, Aaron Shaw, Benjamin Mako Hill, Carrie Cai, Meredith Ringel Morris, Percy Liang, Robb Willer, Michael S. Bernstein

💡 개요

본 연구는 대규모 언어 모델(LLM) 에이전트를 개인의 자기 보고 데이터에 기반하여 구축함으로써, 기존의 특정 결과에 국한된 행동 예측 모델의 한계를 극복하고 범용적인 개인 시뮬레이션을 수행할 수 있음을 제안합니다. 1,052명의 미국인을 대상으로 인터뷰, 설문조사 등 다양한 자기 보고 데이터를 활용한 결과, LLM 에이전트는 참가자의 2주간 검사-재검사 일관성에 대해 83% 이상의 높은 정확도를 보이며, 인구 통계 정보만 사용한 경우(74%)를 크게 상회했습니다. 이는 LLM 에이전트가 별도의 작업별 훈련 데이터 없이도 개인의 행동을 범용적으로 시뮬레이션할 수 있음을 시사합니다.

🔑 시사점 및 한계

•

LLM 에이전트가 정량적/정성적 자기 보고 데이터를 기반으로 개인의 행동을 범용적으로 시뮬레이션할 수 있다는 점을 입증했습니다.

•

인구 통계 정보만 사용하는 기존 방식보다 더 정확하고 공정한 행동 예측 모델 구축 가능성을 보여주었습니다.

•

본 연구에서 사용된 자기 보고 데이터의 질과 양이 에이전트의 성능에 큰 영향을 미칠 수 있으며, 다양한 문화적 배경 및 데이터 수집 방식에 대한 추가적인 검증이 필요할 수 있습니다.

PDF 보기

Made with Slashpage