GitHub · 灵魂体仓库·· 13 天前精选AI 评分69
密歇根大学 Foreseer 实验室比较五种人物描述方式对大模型模拟个人回答的效果
oy2017/behavior-input-systems
来源与原文
GitHub · 灵魂体仓库
发布时间:(北京时间)
阅读原始来源 · github.com ↗完整链接与内容说明
https://github.com/oy2017/behavior-input-systems
本站目前仅有 AI 导读与摘要,未展示原文正文;技术细节、代码和完整结论请查看原始来源。
AI 导读
Owen Yang 与密歇根大学 Foreseer 实验室的 Jin Huang、Qiaozhu Mei 发布 behavior-input-systems 研究,比较无描述、人口统计画像、问卷得分、行为历史和拟合类型向量五种描述方式,用 Gemini 3.5 Flash 在十个公开数据集约 16,000 人-问题对、24 万次模型调用上测试。核心发现是个人过往行为历史在全部十个数据集上效果最好,比无描述高 3 到 27 个百分点;人口统计画像通常接近无用,有时反而降低准确率;无描述时模型几乎给所有人同一个答案,任何基于行为的描述都能恢复接近真实的答案分布。后续实验还表明,在提示词中加入同题目的群体回答率可提升 1 到 11 个百分点,但该方法无法迁移到新问题。
推荐理由
系统比较了五种人物描述方式对模型模拟真实个人的效果,给出了十个数据集的完整数据,可以当作设计模拟人格提示词的参考依据。
来源:GitHub · 灵魂体仓库 · github.com