LLM 能否模擬人類信念動態？
arXiv - Computers and SocietyAdiba Mahbub Proma, Neeley Pate, James N. Druckman, Gourab Ghoshal, Hangfeng He, Ehsan Hoque
LLM 無法準確模擬人類在社交網絡中的信念形成與變化，顯示其更具順從性且難以再現初始信念分布。
AI 幫你先抓重點
AI 重點 1
LLM 的順從偏差限制其作為真實社會代理的適用性。
滑鼠懸停看 AI 判斷理由
此偏差使模擬過度估計共識，忽略少數影響，對政策與教育模擬產生誤導。
AI 重點 2
研究強調在使用 LLM 時必須明確設定初始信念分布。
滑鼠懸停看 AI 判斷理由
若缺乏準確初始狀態，後續預測將偏離真實，凸顯 LLM 無法替代人類數據於信念動態研究。
核心研究發現
- 1
LLM 無法準確再現人類初始信念分布，顯示其對原始觀點的把握不足。
- 2
LLM 傾向更順從，會調整回應以符合周遭觀點，導致模擬結果偏向共識。
- 3
LLM 在模擬同質性傾向時表現出微妙但不完整的相似性，難以捕捉人類網絡中的細緻互動。
對教育工作者的啟發
教育工作者與課程設計者在利用LLM進行社會網絡模擬或互動式學習時，應避免將LLM視為人類代理，先設置多樣化且符合實際的初始信念分布，並持續監測LLM的順從行為。可將LLM作為輔助工具而非主體，結合人類參與者進行混合式模擬，以確保結果真實性與可解釋性，並在評估時加入對順從偏差的校正機制。
原始文獻資訊
- 英文標題：
- Can LLMs Emulate Human Belief Dynamics?
- 作者：
- Adiba Mahbub Proma, Neeley Pate, James N. Druckman, Gourab Ghoshal, Hangfeng He, Ehsan Hoque
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。