大语言模型生成结构上逼真的社交网络但高估政治同质性
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了社交网络生成中的现实性和偏见风险问题，提出了三种网络生成提示方法。研究发现，通过“局部”方法生成的网络更为真实，并且这些网络在多个特征上与真实网络相符，但同时也发现大语言模型过度强调政治同质性，导致其相对于现实世界测量方法的高估。
近期自然语言处理的进展，特别是大型语言模型（LLMs）的出现，为构建精确复制人类行为的计算模拟提供了可能性。然而，LLMs在模拟人类互动方面存在局限性，特别是在模拟政治辩论方面。研究发现LLM代理倾向于符合固有的社会偏见，导致行为模式偏离人类社会动力学规律。研究使用自动自我微调方法来强化这些观察结果，并展示代理随后与改变后的偏见保持一致。这些结果强调了进一步研究的必要性，以开发帮助代理克服这些偏见的方法。
