तकनीकी सारांश: सर्वेक्षण व्यक्तित्वों से LLM एजेंटों तक

समस्या विवरण

यूरोपीय संघ की नई आंतरिक दहन इंजन (ICE) वाहनों को चरणबद्ध तरीके से समाप्त करने की प्रतिबद्धता एक महत्वपूर्ण नीतिगत बदलाव का प्रतिनिधित्व करती है, फिर भी ऐसे परिवर्तनों के प्रति सार्वजनिक प्रतिक्रियाएं गतिशील होती हैं, जो बातचीत, फीडबैक और विकसित होते सामाजिक-राजनीतिक संदर्भों द्वारा आकार लेती हैं। पारंपरिक सर्वेक्षण विधियां विशिष्ट समय बिंदुओं पर दृष्टिकोणों को मापने के लिए प्रभावी हैं, लेकिन वे इस बात को मॉडल करने के लिए उपयुक्त नहीं हैं कि बाहरी झटकों और घटती घटनाओं के तहत दृष्टिकोण कैसे विकसित होते हैं। जबकि हालिया साहित्य मानव व्यवहार को सिम्युलेट करने के लिए जनरेटिव एजेंटों के रूप में लार्ज लैंग्वेज मॉडल्स (LLMs) के उपयोग की खोज करता है, मौजूदा अध्ययन मुख्य रूप से हस्तनिर्मित, शैलीबद्ध व्यक्तित्वों (personas) पर निर्भर करते हैं। यह दृष्टिकोण सिमुलेशन के अनुभवजन्य आधार को सीमित करता है, क्योंकि व्यक्तित्व डिजाइन इस बात को प्रभावित करता है कि एजेंट संदर्भ की व्याख्या कैसे करते हैं और निर्णय कैसे लेते हैं। फलस्वरूप, दो महत्वपूर्ण अंतराल शेष रहते हैं: (1) हस्तनिर्मित व्यक्तित्वों के बजाय अनुभवजन्य रूप से आधारित उत्तरदाता आबादी से LLM एजेंटों के निर्माण की विधियों का अभाव, और (2) बदलते सामाजिक संदर्भों के तहत इन आधारित एजेंटों का उपयोग करके गतिशील नीति प्राथमिकता निर्माण का अध्ययन करने के लिए ढांचों (frameworks) की अनुपस्थिति।

कार्यप्रणाली

लेखक एक सर्वेक्षण-आधारित जनरेटिव एजेंट-आधारित मॉडलिंग (GABM) सिमुलेशन फ्रेमवर्क का प्रस्ताव करते हैं। यह दृष्टिकोण वास्तविक सर्वेक्षण उत्तरदाताओं को जनरेटिव LLM एजेंटों में परिवर्तित करता है, जो स्थिर अनुभवजन्य डेटा और गतिशील व्यवहारिक सिमुलेशन के बीच के अंतर को पाटता है।

डेटा और एजेंट निर्माण

यह फ्रेमवर्क जर्मनी (ग्रीष्मकालीन 2025) में आयोजित एक ऑनलाइन सर्वेक्षण के डेटा का उपयोग करता है, जिसमें 514 उत्तरदाता थे, जिसे इंटीग्रेटिव पब्लिक-पॉलिसी-एक्सेप्टेंस (IPAC) ढांचे के आधार पर डिजाइन किया गया था।

• व्यक्तित्व एन्कोडिंग (Persona Encoding): प्रत्येक उत्तरदाता को एक प्राकृतिक-भाषा व्यक्तित्व के माध्यम से एक LLM एजेंट में परिवर्तित किया जाता है। ये व्यक्तित्व 57 विशेषताओं को एनकोड करते हैं, जिनमें शामिल हैं:
  • जनसांख्यिकी (आयु, लिंग, शिक्षा, आय, संघीय राज्य)।
  • राजनीतिक झुकाव और पार्टी प्राथमिकता।
  • गतिशीलता व्यवहार और ईंधन अनुभव।
  • जलवायु-संबंधी दृष्टिकोण (चिंता, जोखिम धारणा, सरकार में विश्वास)।
• आरंभीकरण (Initialization): एजेंटों को ICE चरणबद्ध तरीके से समाप्त करने के समर्थन के संबंध में उनके देखे गए सर्वेक्षण प्रतिक्रिया के साथ आरंभीकृत किया जाता है, जो बाद के अपडेट के लिए आधार के रूप में कार्य करता है।
• सिमुलेशन फ्रेमवर्क: सिमुलेशन एक गतिशील दुनिया में संचालित होता है जहाँ एजेंट बार-बार होने वाले राउंड (16 राउंड, जो 2025 की पहली तिमाही से प्रत्येक तिमाही का प्रतिनिधित्व करते हैं) के माध्यम से समय के साथ अपनी प्राथमिकताओं को अपडेट करते हैं।
• संदर्भात्मक इनपुट (Contextual Inputs): प्रत्येक राउंड में, एजेंटों को एक संरचित प्रॉम्प्ट प्राप्त होता है जिसमें उनका व्यक्तित्व, पूर्व प्रतिक्रिया इतिहास, वर्तमान राष्ट्रीय और राज्य-स्तरीय समर्थन वितरण, और, घटना-संचालित परिदृश्यों में, बाहरी घटनाओं के बारे में जानकारी शामिल होती है।
• निर्णय तर्क (Decision Logic): एजेंट इन इनपुट पर तर्क करते हैं और अपनी नीतिगत स्थिति को अपडेट करते हैं, इस प्रश्न का उत्तर देते हैं: "एक चुनाव में, आप उस पार्टी को किस स्तर तक वोट देंगे जो ऐसी नीतियों का समर्थन करती है?" (पैमाना 1–6)।
• फीडबैक लूप: एकत्रित एजेंट प्रतिक्रियाएं सामूहिक समर्थन वितरण को अपडेट करती हैं, जो अगले राउंड के लिए सामाजिक संदर्भ के रूप में कार्य करती हैं।
• प्रायोगिक स्थितियाँ: अध्ययन एक बेसलाइन परिदृश्य (कोई बाहरी झटका नहीं) बनाम एक घटना-संचालित परिदृश्य (दस संदर्भ-प्रासंगिक घटनाओं को पेश करना जिनके समर्थक या विरोधी प्रभाव हो सकते हैं) की तुलना करता है।
• मॉडल कॉन्फ़िगरेशन: अध्ययन स्टोकैस्टिक भिन्नता को कम करने के लिए 0 के तापमान के साथ OpenAI के GPT-4o mini का उपयोग करता है। प्रयोग प्रॉम्प्ट भाषा (जर्मन बनाम अंग्रेजी) और सारांश शैली (पर्यावरणीय बनाम तटस्थ) को भिन्न करते हैं।

प्रमुख योगदान

1. फ्रेमवर्क विकास: एक सर्वेक्षण-आधारित GABM फ्रेमवर्क का परिचय, जो संरचित सर्वेक्षण डेटा को प्राकृतिक-भाषा LLM एजेंटों में अनुवादित करता है, जिससे हस्तनिर्मित व्यक्तित्वों से आगे बढ़ा जा सके।
2. अनुभवजन्य अनुप्रयोग: इस फ्रेमवर्क का एक सामयिक नीतिगत मुद्दे पर अनुप्रयोग: जर्मनी में ICE वाहनों को चरणबद्ध तरीके से समाप्त करने के लिए सार्वजनिक समर्थन, जो EU नेट-जीरो लक्ष्यों के अनुरूप है।
3. गतिशील विश्लेषण: बदलते सामाजिक संदर्भों और बाहरी घटनाओं के प्रति सर्वेक्षण-आधारित एजेंटों की प्रतिक्रिया पर अनुभवजन्य विश्लेषण प्रदान करना, जिससे टेम्पोरल सपोर्ट ट्रेजेक्टरीज, प्राथमिकता स्विचिंग और प्रोफाइल विषमता का परीक्षण संभव हो सके।

परिणाम

सिमुलेशन के परिणाम प्राथमिकता निर्माण में महत्वपूर्ण गतिशीलता को उजागर करते हैं:

• बेसलाइन डायनेमिक्स: बाहरी झटकों की अनुपस्थिति में, एजेंट आम तौर पर समर्थन में ऊपर की ओर बदलाव दिखाते हैं, जो मध्यम स्तर के पदों से उच्चतम समर्थन स्तर (6) की ओर बढ़ते हैं। यह सुझाव देता है कि सिमुलेटेड वातावरण केवल प्रारंभिक वितरण को बनाए रखने के बजाय एक अंतर्निहित ऊपर की ओर रुझान (upward drift) पैदा करता है।
• प्रॉम्प्ट संवेदनशीलता: फ्रेमवर्क प्रॉम्प्ट डिजाइन के प्रति अत्यधिक संवेदनशील है:
  • जर्मन प्रॉम्प्ट: अधिक निर्णायक ऊपर की ओर गति और उच्चतम समर्थन स्तर की ओर अभिसरण (convergence) उत्पन्न करते हैं, विशेष रूप से तटस्थ सारांशों के तहत।
  • अंग्रेजी प्रॉम्प्ट: अधिक विसरित वितरण (diffuse distributions) का परिणाम देते हैं, जहाँ प्रतिक्रियाएं उच्चतम समर्थन में सिमटने के बजाय मध्यवर्ती स्तरों (4–6) में फैल जाती हैं। यह कमजोर एंकरिंग और कम चरम समेकन को दर्शाता है।
• घटना-संचालित डायनेमिक्स: बाहरी घटनाओं का परिचय प्रॉम्प्ट भाषा और शैली के प्रभावों को बढ़ाता है।
  • पर्यावरणीय सारांशों के साथ जर्मन प्रॉम्प्ट उच्च समर्थन की ओर महत्वपूर्ण बदलाव को संचालित करना जारी रखते हैं।
  • अंग्रेजी और तटस्थ प्रॉम्प्ट द्रव्यमान को मध्यवर्ती श्रेणियों में वितरित करते हैं, जिससे एजेंटों द्वारा अपनी प्राथमिकताओं को अपडेट करने के तरीके में अधिक विषमता पैदा होती है।
  • समर्थन स्तरों में अस्थिरता (volatility) घटना-आधारित परिदृश्यों में अधिक दृश्यमान है, जिसमें अंग्रेजी प्रॉम्प्ट अधिक स्पष्ट उतार-चढ़ाव दिखाते हैं।
  • उल्लेखनीय रूप से, अंग्रेजी प्रॉम्प्ट-आधारित परिदृश्य में अंतिम समर्थन स्तर, जर्मन प्रॉम्प्ट-आधारित परिदृश्य की तुलना में थोड़ा अधिक है, बावजूद इसके कि जर्मन प्रॉम्प्ट शीर्ष स्तर की ओर अधिक निर्णायक अभिसरण को संचालित करते हैं।
• व्यक्तिगत तर्क: केस स्टडीज प्रकट करती हैं कि एजेंट व्यक्तिगत मूल्यों, सरकार में विश्वास और कथित निष्पक्षता के बीच एक जटिल परस्पर क्रिया के आधार पर अपने तर्क को समायोजित करते हैं। उदाहरण के लिए, एक एजेंट जलवायु मूल्यों के आधार पर उच्च समर्थन बनाए रख सकता है, लेकिन समर्थन कम कर सकता है जब घटनाएं निम्न-आय वाले परिवारों के लिए वितरणात्मक न्याय (distributive justice) संबंधी चिंताओं को उजागर करती हैं।

महत्व और सीमाएं

यह शोध दावा करता है कि यह एक गतिशील वातावरण में सामाजिक स्वीकृति विश्लेषण के साथ राजनीतिक समस्याओं को जोड़कर कम्प्यूटेशनल सोशल साइंस को आगे बढ़ाने में महत्वपूर्ण है। यह प्रदर्शित करता है कि सावधानीपूर्वक व्यक्तित्व डिजाइन निर्णय लेने के यथार्थवादी सिमुलेशन को सक्षम बनाता है, जिससे उन व्यवहारिक प्रयोगों को सुगम बनाया जा सकता है जिन्हें स्थिर सर्वेक्षण कैप्चर नहीं कर सकते।

हालाँकि, लेखक इसके निहितार्थों के संबंध में एक मध्यम रुख बनाए रखते हैं:

• डेटा निर्भरता: सिमुलेशन की गुणवत्ता अंतर्निहित सर्वेक्षण डेटा से बंधी है; माप त्रुटियां या चूक एजेंट व्यक्तित्वों में स्थानांतरित हो जाती हैं।
• सरलीकरण: फ्रेमवर्क जटिल मानवीय निर्णय लेने की प्रक्रिया को संरचित प्रॉम्प्ट और सीमित प्रतिक्रिया पैमानों में सरल बनाता है।
• प्रॉम्प्ट संवेदनशीलता: परिणाम प्रॉम्प्ट भाषा, शैली और अनुक्रम के आधार पर काफी भिन्न होते हैं, जिसके लिए सिमुलेशन परिणामों की सावधानीपूर्वक व्याख्या की आवश्यकता होती है।
• घटना डिजाइन: घटनाएं मैन्युअल रूप से डिजाइन की गई हैं और वास्तविक दुनिया के राजनीतिक विकास की अप्रत्याशितता को पूरी तरह से कैप्चर नहीं कर सकती हैं।
• परस्पर क्रिया सीमाएं: वर्तमान सेटअप प्राथमिकता अपडेट करने को मॉडल करता है लेकिन इसमें प्रत्यक्ष पीयर-टू-पीयर संचार या नेटवर्क संरचनाओं जैसी समृद्ध सामाजिक अंतःक्रियाएं शामिल नहीं हैं।
• मॉडल विशिष्टता: निष्कर्ष GPT-4o mini और जीरो टेम्परेचर के लिए विशिष्ट हैं; विभिन्न मॉडल या स्टोकेस्टिक सेटिंग्स अलग परिणाम दे सकते हैं।

लेखक निष्कर्ष निकालते हैं कि इन आउटपुट को प्राथमिकता गतिशीलता के सिमुलेशन के रूप में व्याख्या किया जाना चाहिए न कि वास्तविक नागरिकों के भविष्य के राजनीतिक व्यवहार के सटीक प्रतिबिंब के रूप में, जो व्यक्तिगत स्पष्टीकरणों के बजाय एकत्रित व्यवहारिक पैटर्न के विश्लेषण के मूल्य पर जोर देता है।