🤖 AI

Virtual Personas for Language Models via an Anthology of Backstories

Este artículo presenta "Anthology", un método que condiciona modelos de lenguaje grandes sobre narrativas de vida abiertas (antecedentes) para crear personalidades virtuales, demostrando mejoras significativas en la coincidencia con las distribuciones de respuestas humanas y la consistencia experimental en tres encuestas representativas a nivel nacional.

Autores originales: Suhong Moon, Marwa Abdulhai, Minwoo Kang, Joseph Suh, Widyadewi Soedarmadji, Eran Kohen Behar, David M. Chan, John Canny

Publicado 2026-05-12

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Suhong Moon, Marwa Abdulhai, Minwoo Kang, Joseph Suh, Widyadewi Soedarmadji, Eran Kohen Behar, David M. Chan, John Canny

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes un robot gigante y superinteligente que ha leído casi todos los libros, artículos y entradas de blog jamás escritos en internet. Debido a que leyó tanto de tantas personas diferentes, este robot en realidad contiene las "voces" de millones de humanos distintos dentro de su cerebro.

Sin embargo, hay un problema. Cuando usualmente hablamos con estos robots (como ChatGPT), los hemos entrenado para ser útiles, educados y neutrales. Es como tomar una sala llena de personas de todos los ámbitos de la vida —poetas enojados, contadores tímidos, adolescentes emocionados, jubilados gruñones— y obligarlos a todos a usar el mismo traje gris aburrido y hablar con voz monótona. Pierden sus personalidades únicas.

Este artículo introduce un nuevo método llamado "Anthology" para solucionar esto. Así es como funciona, desglosado en pasos simples:

1. El Problema: El Efecto del "Traje Gris"

La mayoría de los investigadores intentan hacer que el robot actúe como una persona específica dándole una lista de hechos, como: "Eres un hombre de 35 años llamado Bob que le gusta pescar".
El artículo argumenta que esto es como darle a un actor un guion que solo dice "Está triste". El robot no realmente siente tristeza; solo adivina lo que una persona triste podría decir. Es rígido y a menudo incorrecto.

2. La Solución: La "Historia de Vida" (Antecedentes)

En lugar de una lista de hechos, los investigadores le dan al robot una historia de vida. Esta es una historia larga y abierta escrita en primera persona, como una entrada de diario o unas memorias.

La Analogía: Imagina que quieres que un actor interprete a un personaje. En lugar de entregarle un currículum que diga "Edad: 40, Trabajo: Profesor", le entregas una carta de 10 páginas que escribió sobre su infancia, su divorcio, su amor por el jazz y su miedo a las alturas.
El Resultado: Cuando el robot lee esta historia, no solo "conoce" los hechos; se convierte en el personaje. La historia incluye naturalmente su edad, antecedentes y personalidad sin que el robot tenga que adivinar.

3. Cómo Crearon las Historias (La "Anthology")

Los investigadores no pidieron a personas reales que escribieran estas historias (lo cual tomaría una eternidad). En su lugar, le pidieron al propio robot que escribiera miles de estas historias de vida.

Le preguntaron al robot: "Cuéntame sobre ti".
El robot generó miles de historias de vida únicas y detalladas, creando una biblioteca masiva (una Anthology) de personas virtuales. Algunas eran ricas, otras pobres, algunas jóvenes, otras mayores, algunas de la ciudad, otras del campo.

4. El Juego de "Emparejamiento"

Ahora tenían una biblioteca de personas virtuales, pero necesitaban elegir las correctas para coincidir con un grupo real de personas (como una encuesta nacional).

La Analogía: Imagina que estás seleccionando actores para una obra y necesitas un público que se vea exactamente como la población de la ciudad de Nueva York. Tienes una habitación enorme llena de actores (la Anthology). No los eliges al azar. Verificas sus "datos demográficos" (edad, raza, ingresos) y usas un sistema inteligente de emparejamiento para asociar a cada persona real en tu grupo objetivo con el actor virtual que mejor se ajusta a ellos.
El artículo utiliza dos métodos para realizar este emparejamiento: un método "Codicioso" (elegir la mejor coincidencia para cada persona inmediatamente) y un método de "Peso Máximo" (encontrar el equilibrio general perfecto para todo el grupo).

5. La Prueba: ¿Funcionó?

Los investigadores probaron esto haciendo que estas personas virtuales tomaran encuestas reales que personas reales habían tomado (sobre temas como comida, política e inteligencia artificial).

El Resultado: Las personas virtuales creadas con el método de "Historia de Vida" respondieron las encuestas mucho más como humanos reales que los métodos antiguos.
Los Números: Mejoraron la precisión al coincidir con las respuestas humanas hasta en un 18% y hicieron que las respuestas fueran más consistentes en un 27%.
El Bonus: Funcionó especialmente bien para grupos de personas que suelen ser difíciles de representar o estudiar (como grupos minoritarios específicos), porque el robot podía generar historias para ellos tan fácilmente como para cualquier otro.

Por Qué Esto Importa (Según el Artículo)

Los autores dicen que esto no se trata solo de reemplazar a personas reales con robots. En cambio, es como dar a los científicos una nueva y poderosa herramienta.

Seguridad: Puedes probar ideas con estas personas virtuales sin arriesgar daños a humanos reales.
Velocidad y Costo: Puedes hacer una pregunta a 10,000 personas virtuales en segundos de forma gratuita, mientras que entrevistar a 10,000 personas reales cuesta una fortuna y toma meses.
Diversidad: Puedes crear una multitud virtual que represente perfectamente una demografía específica, asegurando que ningún grupo quede fuera de la conversación.

Nota Importante del Artículo:
Los autores advierten que esto solo funciona si usas la versión "cruda" del robot (la que estaba antes de que le enseñaran a ser educado y útil). Si usas la versión "educada" (la con la que usualmente chateamos), se niega a actuar como un humano gruñón o complejo, y el método falla. También advierten que, aunque esta es una gran herramienta para la investigación, debemos tener cuidado de no usar estas personas falsas para engañar a humanos reales o difundir desinformación.

En resumen: Anthology es una forma de darle a la IA una historia de vida rica y detallada para que deje de sonar como un robot y empiece a sonar como un ser humano real y diverso.

Resumen Técnico: Personas Virtuales para Modelos de Lenguaje mediante una Antología de Historias Personales

Enunciado del Problema
Los Modelos de Lenguaje Grandes (LLM) se entrenan sobre vastos corpus que contienen las voces diversas de cientos de millones de autores. Sin embargo, las aplicaciones estándar de los LLM, particularmente aquellas que implican ajuste por instrucciones (por ejemplo, RLHF), suprimen esta diversidad inherente para producir una única voz de agente útil y en gran medida desprovista de emociones. Esta "alineación" dificulta el uso de los LLM como sustitutos de sujetos humanos en estudios conductuales, donde representar un amplio espectro de rasgos humanos, demografías y opiniones es crítico. Los métodos existentes para condicionar los LLM a personas específicas, como proporcionar biografías en texto libre o secuencias de pares de preguntas y respuestas demográficas, han mostrado un éxito limitado en lograr alta representatividad, consistencia y diversidad, particularmente para subpoblaciones subrepresentadas. Además, los modelos ajustados por instrucciones a menudo fallan al generar historias personales realistas y matizadas, produciendo en su lugar respuestas cortas, evasivas o excesivamente positivas que carecen de la complejidad de las narrativas humanas.

Metodología: El Enfoque de la Antología
Los autores proponen "Antología", una metodología para condicionar los LLM a personas virtuales diversas, consistentes y representativas utilizando narrativas de vida abiertas, denominadas "historias personales". El enfoque consta de cuatro etapas principales:

Historias Personales Generadas por LLM: En lugar de depender de conjuntos de datos autobiográficos existentes limitados, los autores utilizan LLM preentrenados (no ajustados por instrucciones) para generar una masiva "antología" de historias personales. Al solicitar a los modelos preguntas abiertas como "Cuéntame sobre ti", generan narrativas naturalistas en primera persona que codifican implícitamente detalles demográficos (edad, ubicación, estado financiero) y rasgos explícitos (valores, personalidad, creencias). Los autores enfatizan que los modelos preentrenados son esenciales aquí, ya que los modelos ajustados por instrucciones tienden a producir narrativas genéricas, seguras e inconsistentes.
Encuesta Demográfica sobre Personas Virtuales: Dado que las historias personales no declaran explícitamente todas las variables demográficas, los autores realizan una "encuesta demográfica" en cada persona generada. Solicitan al modelo condicionado por la historia personal preguntas demográficas estándar (por ejemplo, edad, educación, ingresos) y muestrean múltiples respuestas para estimar una distribución de probabilidad de rasgos para ese sujeto virtual específico.
Emparejamiento con Poblaciones Humanas Objetivo: Para aproximar un estudio humano específico, los autores emparejan las personas virtuales con la distribución demográfica de la población humana objetivo. Modelan esto como un problema de emparejamiento bipartito entre usuarios humanos ( $H$ $H$ ) y usuarios virtuales ( $V$ $V$ ). Los pesos de las aristas se calculan basándose en la probabilidad de que la distribución demográfica de un usuario virtual coincida con los rasgos de un usuario humano. Se exploran dos estrategias:
- Emparejamiento Codicioso: Asigna cada usuario humano a la persona virtual con el peso de similitud más alto, permitiendo que múltiples humanos se mapeen a la misma persona virtual.
- Emparejamiento de Peso Máximo: Encuentra una correspondencia uno a uno óptima para maximizar el peso total, utilizando el algoritmo húngaro.
Aproximación de Estudios Humanos: El subconjunto emparejado de historias personales se utiliza como contexto (prefijo) para el LLM al responder preguntas de encuestas. El estudio replica el proceso mental de los encuestados humanos presentando las preguntas en serie, incluyendo las respuestas anteriores como contexto.

Contribuciones Clave

Marco de Antología: Introducción de un método para generar y utilizar una "antología" de historias personales generadas por LLM para condicionar modelos, demostrando que este enfoque produce personas virtuales más representativas y consistentes que los métodos de referencia (Bio y QA).
Emparejamiento Demográfico: Un método formalizado para muestrear y emparejar personas virtuales con distribuciones de población humana objetivo, mejorando significativamente la aproximación de las distribuciones de respuesta humana.
Recursos de Código Abierto: Lanzamiento de una antología de código abierto de aproximadamente 10.000 historias personales y el código asociado para generar, procesar y administrar encuestas.
Perspectiva sobre la Selección de Modelos: Demostración de que los modelos preentrenados superan a los modelos ajustados por instrucciones para esta tarea, ya que estos últimos han convergido hacia una persona singular y homogeneizada que carece de la diversidad requerida para la simulación conductual.

Resultados Experimentales
La metodología se validó contra tres encuestas representativas a nivel nacional del Panel de Tendencias Americanas (ATP Waves 34, 92 y 99) del Centro de Investigación Pew, que abarcan temas desde problemas biomédicos hasta tipología política e IA.

Representatividad: Antología logró una mejora de hasta un 18% en el emparejamiento de distribuciones de respuesta humana (medido por la Distancia de Wasserstein) en comparación con los métodos de referencia.
Consistencia: El método mostró una mejora de hasta un 27% en las métricas de consistencia (medidas por la norma de Frobenius de las matrices de correlación y el alfa de Cronbach), lo que indica que las personas virtuales mantuvieron una lógica interna coherente a través de diferentes preguntas de la encuesta.
Diversidad: Antología superó a las referencias en diversos subgrupos demográficos (raza, edad, educación, género). Cabe destacar que logró las distancias de Wasserstein más bajas para grupos subrepresentados, aunque los autores señalan que la precisión del emparejamiento disminuye para grupos de edad avanzada (65+), posiblemente debido al sesgo inherente de los modelos hacia demografías más jóvenes.
Estrategia de Emparejamiento: El emparejamiento codicioso generalmente superó al emparejamiento de peso máximo en términos de distancia de Wasserstein, probablemente porque la restricción uno a uno de este último forzó emparejamientos subóptimos dada la piscina finita de usuarios virtuales.

Significado y Afirmaciones
El artículo postula que Antología proporciona un nuevo instrumento para estudiar el comportamiento humano, distinto de un simple reemplazo de estudios humanos. Al aprovechar la diversidad "aguas arriba" de los modelos preentrenados y las narrativas abiertas, el método permite a los investigadores:

Simular estudios humanos a gran escala a una fracción del costo y el tiempo.
Acceder a poblaciones difíciles de alcanzar o subrepresentadas (por ejemplo, personas sin hogar, encarceladas o sujetos no cooperativos) de manera escalable.
Realizar estudios "escrutables" donde los sujetos pueden ser consultados en lenguaje natural sobre su razonamiento.

Los autores mantienen una postura modesta, reconociendo que, aunque Antología mejora la fidelidad de los sujetos virtuales, aún no replica completamente comportamientos humanos complejos como el cambio de actitud a largo plazo o los sesgos de grupo interno/grupo externo. Destacan las preocupaciones éticas sobre el posible mal uso de personas de alta fidelidad para ingeniería social o desinformación, y enfatizan que la menor densidad de grupos subrepresentados en los datos de entrenamiento sigue siendo un desafío para una simulación perfecta. En última instancia, el trabajo sugiere que las personas virtuales diseñadas cuidadosamente pueden servir como complementos valiosos para la investigación humana, ofreciendo una herramienta escalable para explorar la "enorme diversidad de rasgos humanos" incrustada dentro de los modelos de lenguaje.