LLM 何時能生成逼真社交網絡？
arXiv - Computers and SocietySai Hemanth Kilaru, Sriram Theerdh Manikyala, Raghav Upadhyay, Sri Sai Kumar Ramavath, Srivika Nunavathu, Dalal Alharthi
探討 LLM 在不同文化、語言、規模與提示方式下生成社交網絡的真實度與偏差。
AI 幫你先抓重點
AI 重點 1
提示設計不只是技術細節，而是社會學假設的載體。
滑鼠懸停看 AI 判斷理由
因為微小的提示選擇會改變網絡結構與偏差，研究者若忽視此點，可能導致模擬結果不具代表性，影響後續研究與應用。
AI 重點 2
不同語言提示會產生不同的同質性偏差，尤其印地語提示對宗教同質性影響顯著。
滑鼠懸停看 AI 判斷理由
這提醒多語言部署時需評估語言對族群偏差的影響，避免在跨文化研究中無意中放大偏見。
AI 重點 3
LLM 生成的社交網絡在聚類與模塊度上逼近真實網絡，但仍存在高於實際的族群偏差。
滑鼠懸停看 AI 判斷理由
顯示LLM雖能捕捉複雜網絡特性，但需進行嚴格驗證與去偏差處理，才能安全應用於行為模擬。
核心研究發現
- 1
文化框架改變同質性與最大組件連通性，政治黨派在三種方法中主導連結，全球方法則以年齡取代政治。
- 2
提示架構本身成為社會學變量，影響連結形成；不同 GPT-4.1 變體在規模上產生穩定的分層差異，最小變體表現質性不同。
- 3
提示語言單獨顯著改變宗教同質性，尤其在印地語提示下，政治同質性幾乎不變。
- 4
LLM 生成網絡在聚類係數與模塊度上優於傳統圖模型，但在人口偏差上高於實際數據。
對教育工作者的啟發
對於教育科技與社會網絡模擬工作者，本文提醒在設計 LLM 提示時必須考慮文化與語言背景，避免不經意的族群偏差。建議先進行小規模驗證，評估同質性與聚類指標，並將模型輸出與實際社會數據做對照。若需多語言部署，應針對不同語言的偏差進行調整或加入去偏差機制。
原始文獻資訊
- 英文標題：
- When Do LLMs Generate Realistic Social Networks? A Multi-Dimensional Study of Culture, Language, Scale, and Method
- 作者：
- Sai Hemanth Kilaru, Sriram Theerdh Manikyala, Raghav Upadhyay, Sri Sai Kumar Ramavath, Srivika Nunavathu, Dalal Alharthi
- 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。