استفاده از شبیه‌سازی اجتماعی با عامل‌های هوش مصنوعی به جای نظرسنجی‌های سنتی

چه می‌شود اگر مدل‌های زبانی بزرگ (LLM) بتوانند نظرات عمومی، واکنش‌ها و پویایی‌های اجتماعی را شبیه‌سازی کنند، بدون اینکه نیازی به اجرای نظرسنجی‌ها به روش‌های سنتی باشد؟

پژوهشگرانی از دانشگاه فودان چین چارچوبی به نام SocioVerse توسعه داده‌اند که یک مدل شبیه‌سازی اجتماعی مبتنی بر عامل‌های هوش مصنوعی است. این چارچوب می‌تواند جایگزین روش‌های سنتی مانند نظرسنجی‌ها، مصاحبه‌ها و مشاهدات شود که اغلب با چالش‌هایی نظیر هزینه‌های بالا، محدودیت حجم نمونه و دغدغه‌های اخلاقی همراه هستند.

SocioVerse: چارچوبی برای شبیه‌سازی اجتماعی

 SocioVerse شامل چهار مؤلفه اصلی و یک پایگاه‌داده از ۱۰ میلیون کاربر واقعی است.

• مؤلفه محیط اجتماعی: اطلاعات خارجی به‌روز را به شبیه‌سازی وارد می‌کند.
• موتور کاربران (User Engine): زمینه‌های واقعی کاربران را فراهم می‌کند.
• موتور سناریوها (Scenario Engine): شبیه‌سازی را با دنیای واقعی تطبیق می‌دهد.
• موتور رفتارها (Behavior Engine): رفتارهای انسانی را توسط عامل‌ها بازتولید می‌کند.

این چارچوب به پژوهشگران اجازه می‌دهد تا الگوهای تأثیرگذاری تصمیم‌گیری‌های کوچک (micro-level) را مشاهده کرده و پویایی‌های اجتماعی آینده را پیش‌بینی کنند.

آزمایش‌ها و نتایج

برای ارزیابی این چارچوب، پژوهشگران آزمایش‌های شبیه‌سازی در حوزه‌های مختلف مانند سیاست، اخبار و اقتصاد انجام دادند. مدل‌هایی مانند Llama-3-70b-Instruct، Qwen2.5-72b-Instruct، DeepSeek-V3، GPT-4o mini، GPT-4o و DeepSeek-R1-671b برای این آزمایش‌ها مورد استفاده قرار گرفتند.

1. پیش‌بینی نتایج انتخابات ریاست‌جمهوری ایالات متحده:
   عامل‌های LLM توانستند با بیش از ۹۰٪ دقت نتایج رأی‌گیری در ایالت‌ها را پیش‌بینی کنند. مدل‌های GPT-4o-mini و Qwen2.5-72b عملکرد رقابتی داشتند، در حالی که مدل DeepSeek-R1-671b به دلیل «تفکر بیش از حد» نتایج پایین‌تری از نظر دقت داشت.
2. واکنش عمومی به اخبار مهم:
   شبیه‌سازی واکنش عمومی نسبت به انتشار ChatGPT انجام شد. مدل‌های GPT-4o و Qwen2.5-72b بیشترین هماهنگی را با دیدگاه‌های واقعی جامعه نشان دادند.
3. بررسی رفتارهای اقتصادی ملی در چین:
   در یک آزمایش شبیه‌سازی رفتارهای اقتصادی از طریق یک نظرسنجی ملی در چین، مدل Llama-3-70b توانست بهتر از سایر مدل‌ها عادات مصرفی افراد را بازتولید کند.

توانایی‌های مدل‌های هوش مصنوعی در شبیه‌سازی اجتماعی

در مقاله پژوهشی منتشرشده توسط این تیم آمده است: «یافته‌های ما نشان می‌دهد که مدل‌های زبانی پیشرفته (LLM) توانایی قابل‌توجهی در شبیه‌سازی واکنش‌های انسانی در زمینه‌های پیچیده اجتماعی دارند، هرچند همچنان فاصله‌هایی میان پاسخ‌های شبیه‌سازی‌شده و نتایج واقعی مشاهده‌شده وجود دارد.»

آینده شبیه‌سازی‌های اجتماعی

پژوهشگران قصد دارند دامنه سناریوهای مورد بررسی را گسترش دهند تا قابلیت‌های شبیه‌سازی مدل‌های زبانی بزرگ (LLM) را بهبود بخشند. این نوآوری می‌تواند انقلابی در روش‌های بررسی رفتارهای اجتماعی ایجاد کند و جایگزینی مؤثر و کارآمد برای نظرسنجی‌ها و تحقیقات اجتماعی سنتی باشد.