本研究提出均场大语言模型（MF-LLM）框架，旨在缩小集体决策模拟与真实数据之间的差距。通过动态反馈循环，精确建模个体行为与群体分布，实验结果显示其在预测精度和减少KL散度方面表现出色。

本研究提出了一种新方法，将智能手机传感器数据转化为结构化叙述，利用AWARE叙述者分析个体行为与心理状态，具有广泛的应用潜力。

本研究提出了一种新的稳健性估计器，通过策略鲁棒方法估计决策规则，避免个体行为对决策结果的影响。在肯尼亚实验中，该方法表现优于标准监督学习方法。

该文介绍了一个以人为中心的视频监控标题数据集，提供了7,820个个体的动态行为的详细描述，并提出了一种新的视频标题方法，可以在个体级别上详细描述行为，并达到了最先进的结果。

该研究提出了一种新的稳健性估计器，可避免个体行为对决策结果的影响，并在肯尼亚实验中表现优于基于标准监督学习方法的规则。