Technisches Resümee: Von Survey-Personas zu LLM-Agenten

Problemstellung

Das Engagement der Europäischen Union für das Aus für neue Fahrzeuge mit Verbrennungsmotor (ICE) stellt einen bedeutenden politischen Wandel dar, wobei die öffentlichen Reaktionen auf solche Veränderungen dynamisch sind und durch Interaktion, Feedback sowie sich entwickelnde soziopolitische Kontexte geprägt werden. Traditionelle Umfragemethoden sind effektiv für die Messung von Einstellungen zu bestimmten Zeitpunkten, aber ungeeignet für die Modellierung der Frage, wie sich diese Einstellungen unter exogenen Schocks und sich entfaltenden Ereignissen entwickeln. Während die aktuelle Literatur die Nutzung von Large Language Models (LLMs) als generative Agenten zur Simulation menschlichen Verhaltens untersucht, stützen sich bestehende Studien überwiegend auf handgefertigte, stilisierte Personas. Dieser Ansatz begrenzt die empirische Fundierung von Simulationen, da das Design der Personas maßgeblich beeinflusst, wie Agenten den Kontext interpretieren und Entscheidungen treffen. Folglich bleiben zwei kritische Lücken bestehen: (1) der Mangel an Methoden zur Konstruktion von LLM-Agenten aus empirisch fundierten Befragtenpopulationen statt aus manuellen Personas, und (2) das Fehlen von Frameworks zur Untersuchung der dynamischen Bildung politischer Präferenzen unter Verwendung dieser fundierten Agenten in sich verändernden sozialen Kontexten.

Methodik

Die Autoren schlagen ein Survey-Grounded Generative Agent-Based Modeling (GABM) Simulationsframework vor. Dieser Ansatz transformiert reale Umfrageteilnehmer in generative LLM-Agenten und schließt damit die Lücke zwischen statischen empirischen Daten und dynamischer Verhaltenssimulation.

Daten und Agentenkonstruktion

Das Framework nutzt Daten einer Online-Umfrage, die im Sommer 2025 in Deutschland mit 514 Befragten durchgeführt wurde und auf Basis des Integrative Public-Policy-Acceptance (IPAC) Frameworks konzipiert wurde.

• Persona-Kodierung: Jeder Befragte wird über eine natürliche Sprach-Persona in einen LLM-Agenten umgewandelt. Diese Personas kodieren 57 Attribute, darunter:
  • Demografie (Alter, Geschlecht, Bildung, Einkommen, Bundesland).
  • Politische Orientierung und Parteipräferenz.
  • Mobilitätsverhalten und Fahrerfahrung.
  • Klima-bezogene Einstellungen (Besorgnis, Risikowahrnehmung, Vertrauen in die Regierung).
• Initialisierung: Die Agenten werden mit ihrer beobachteten Umfrageantwort bezüglich der Unterstützung des ICE-Ausfalls initialisiert, was als Basis für nachfolgende Aktualisierungen dient.

Simulationsframework

Die Simulation operiert in einer dynamischen Welt, in der Agenten ihre Präferenzen über die Zeit durch wiederholte Runden (16 Runden, die Quartale ab Q1 2025 repräsentieren) aktualisieren.

• Kontextuelle Inputs: In jeder Runde erhalten die Agenten einen strukturierten Prompt, der ihre Persona, die bisherige Antworthistorie, die aktuellen nationalen und landesspezifischen Unterstützungsverteilungen sowie – in ereignisgesteuerten Szenarien – Informationen über externe Ereignisse enthält.
• Entscheidungslogik: Die Agenten führen eine Argumentation über diese Inputs durch, um ihre politische Haltung zu aktualisieren, indem sie die Frage beantworten: „In einer Wahl, in welchem Maße würden Sie für eine Partei stimmen, die solche Politiken unterstützt?“ (Skala 1–6).
• Feedback-Schleife: Aggregierte Agentenantworten aktualisieren die kollektiven Unterstützungsverteilungen, die als sozialer Kontext für die nächste Runde dienen.
• Experimentelle Bedingungen: Die Studie vergleicht ein Basisszenario (keine exogenen Schocks) mit einem ereignisgesteuerten Szenario (Einführung von zehn kontextrelevanten Ereignissen mit unterstützenden oder gegensätzlichen Effekten).
• Modellkonfiguration: Die Studie verwendet OpenAI's GPT-4o mini mit einer Temperatur von 0, um stochastische Variation zu minimieren. Experimente variieren die Prompt-Sprache (Deutsch vs. Englisch) und den Zusammenfassungsstil (umweltbezogen vs. neutral).

Zentrale Beiträge

1. Framework-Entwicklung: Einführung eines survey-basierten GABM-Frameworks, das strukturierte Umfragedaten in natürliche Sprach-LLM-Agenten übersetzt und somit über handgefertigte Personas hinausgeht.
2. Empirische Anwendung: Anwendung dieses Frameworks auf ein aktuelles politisches Thema: die öffentliche Unterstützung für das Aus für ICE-Fahrzeuge in Deutschland, im Einklang mit den Netto-Null-Zielen der EU.
3. Dynamische Analyse: Bereitstellung einer empirischen Analyse darüber, wie survey-basierte Agenten auf sich ändernde soziale Kontexte und externe Ereignisse reagieren, was die Untersuchung von zeitlichen Unterstützungstrajektorien, Präferenzwechseln und Profilheterogenität ermöglicht.

Ergebnisse

Die Simulationsergebnisse verdeutlichen signifikante Dynamiken in der Präferenzbildung:

• Basisszenario-Dynamik: In Abwesenheit externer Schocks zeigen die Agenten generell eine Aufwärtsbewegung der Unterstützung, wobei sie von mittleren Positionen auf das höchste Unterstützungsniveau (6) wechseln. Dies deutet darauf hin, dass die simulierte Umgebung einen inhärenten Aufwärtstrend erzeugt und nicht lediglich die ursprünglichen Verteilungen bewahrt.
• Prompt-Sensitivität: Das Framework reagiert hochsensibel auf das Prompt-Design:
  • Deutsche Prompts: Erzeugen eine deutlichere Aufwärtsbewegung und eine Konvergenz zum höchsten Unterstützungsniveau, insbesondere unter neutralen Zusammenfassungen.
  • Englische Prompts: Führen zu diffuseren Verteilungen, wobei die Antworten über intermediäre Ebenen (4–6) gestreut sind, anstatt im höchsten Support zu kollabieren. Dies deutet auf eine schwächere Verankerung und weniger extreme Konsolidierung hin.
• Ereignisgesteuerte Dynamik: Die Einführung externer Ereignisse verstärkt die Effekte von Prompt-Sprache und -Stil.
  • Deutsche Prompts mit umweltbezogenen Zusammenfassungen treiben weiterhin signifikante Verschiebungen hin zu hoher Unterstützung voran.
  • Englische und neutrale Prompts verteilen die Masse in intermediäre Kategorien und schaffen eine größere Heterogenität in der Art und Weise, wie Agenten ihre Präferenzen aktualisieren.
  • Die Volatilität der Unterstützungsniveaus ist in ereignisbasierten Szenarien deutlicher sichtbar, wobei englische Prompts ausgeprägtere Fluktuationen aufweisen.
  • Bemerkenswerterweise liegt das endgültige Unterstützungsniveau im englischen Prompt-basierten Szenario leicht höher als im deutschen Prompt-basierten Szenario, obwohl die deutschen Prompts eine entscheidendere Konvergenz zum Top-Niveau vorantreiben.
• Individuelle Argumentation: Fallstudien zeigen, dass Agenten ihre Argumentation basierend auf einem komplexen Zusammenspiel von persönlichen Werten, Vertrauen in die Regierung und wahrgenommener Fairness anpassen. Beispielsweise kann ein Agent die hohe Unterstützung aufgrund von Klimawerten beibehalten, aber die Unterstützung senken, wenn Ereignisse Bedenken hinsichtlich der distributiven Gerechtigkeit für einkommensschwache Haushalte hervorheben.

Bedeutung und Limitationen

Das Paper beansprucht Bedeutung für die Weiterentwicklung der Computational Social Science, indem es politische Probleme mit der Analyse der sozialen Akzeptanz in einem dynamischen Umfeld verknüpft. Es zeigt, dass ein sorgfältiges Persona-Design eine realistische Simulation von Entscheidungsprozessen ermöglicht und dadurch Verhaltensexperimente ermöglicht, die statische Umfragen nicht erfassen können.

Die Autoren nehmen jedoch eine bescheidene Haltung bezüglich der Implikationen ein:

• Datenabhängigkeit: Die Qualität der Simulation ist an die zugrunde liegenden Umfragedaten gebunden; Messfehler oder Auslassungen übertragen sich auf die Agenten-Personas.
• Vereinfachung: Das Framework vereinfacht komplexe menschliche Entscheidungsfindung in strukturierte Prompts und begrenzte Antwortskalen.
• Prompt-Sensitivität: Die Ergebnisse variieren erheblich je nach Prompt-Sprache, Stil und Sequenz, was eine sorgfältige Interpretation der Simulationsergebnisse erfordert.
• Event-Design: Ereignisse werden manuell entworfen und bilden die Unvorhersehbarkeit realpolitischer Entwicklungen möglicherweise nicht vollständig ab.
• Interaktionsbeschränkungen: Das aktuelle Setup modelliert die Aktualisierung von Präferenzen, beinhaltet aber keine reicheren sozialen Interaktionen wie direkte Peer-to-Peer-Kommunikation oder Netzwerkstrukturen.
• Modellspezifität: Die Ergebnisse sind spezifisch für GPT-4o mini mit einer Temperatur von Null; andere Modelle oder stochastische Einstellungen könnten andere Ergebnisse liefern.

Die Autoren kommen zu dem Schluss, dass diese Outputs als Simulationen von Präferenzdynamiken und nicht als exakte Reflexionen des zukünftigen politischen Verhaltens realer Bürger zu interpretieren sind, wobei sie die Bedeutung der Analyse aggregierter Verhaltensmuster gegenüber individuellen Erklärungen betonen.