🤖 AI

Guided Persona-based AI Surveys: Can we replicate personal mobility preferences at scale using LLMs?

Oorspronkelijke auteurs: Ioannis Tzachristas, Santhanakrishnan Narayanan, Constantinos Antoniou

Gepubliceerd 2026-06-26

📖 5 min leestijd🧠 Diepgaand

Oorspronkelijke auteurs: Ioannis Tzachristas, Santhanakrishnan Narayanan, Constantinos Antoniou

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: Kan AI doen alsof het mensen zijn?

Stel je voor dat je een stadsplanner bent die probeert uit te zoeken hoe mensen in Duitsland zich graag verplaatsen. Kiezen ze liever voor wandelen, autorijden of de bus nemen? Normaal gesproken moet je hiervoor duizenden papieren enquêtes versturen, mensen betalen om ze in te vullen en maanden wachten op de resultaten. Het is duur, traag, en soms liegen mensen of vergeten ze antwoorden in te vullen.

Dit artikel stelt een nieuwe vraag: Kunnen we een superintelligent computerbrein (een Large Language Model, of LLM genoemd) gebruiken om deze enquêtes voor ons te schrijven? In plaats van echte mensen te vragen, kunnen we de AI vragen om te "doen alsof" het 10.000 verschillende mensen zijn en ons te vertellen wat zij zouden doen.

De onderzoekers wilden zien of deze "nep" data er precies zo uitziet en zich precies zo gedraagt als "echte" data.

Het Probleem met Oude Methoden

Denk aan traditionele enquêtes als het proberen te schilderen van een portret van een menigte door elke persoon te vragen om stil te staan en te poseren. Dat duurt eeuwen.

Het artikel stelt dat eerdere pogingen om AI te gebruiken om te raden wat mensen doen, een beetje onhandig waren. Ze waren als een kind dat een menigte probeert te tekenen: ze kregen het algemene idee wel te pakken (er zijn oude mensen en jonge mensen), maar ze misten de details (zoals hoe een rijke tiener een auto zou rijden, terwijl een arme tiener de bus zou nemen). De AI begreep de verbanden tussen wie iemand is en wat diegene doet, niet.

De Nieuwe Oplossing: "Personas" als LEGO-sets

De onderzoekers bedachten een slimme nieuwe manier om de AI te onderwijzen. Ze noemden het de "Guided Persona-based AI Survey."

Stel je voor dat je een enorme LEGO-stad bouwt.

De Oude Manier: Je gooit gewoon een emmer LEGO-blokjes op tafel en hoopt dat het een stad wordt. (Dit is de "Naive" methode).
De Betere Manier: Je sorteert de blokjes eerst op kleur en vorm, en bouwt dan pas. (Dit is de "Structured" methode).
De Winnaarsmanier (Guided Persona): Je bouwt eerst specifieke, gedetailleerde personages. Je creëert een "Persona" door specifieke LEGO-stukjes in elkaar te klikken:
- Leeftijd: 30–39
- Beroep: Fulltime werknemer
- Geld: Hoog inkomen
- Gezin: Twee kinderen onder de 6 jaar
- Huis: Een eengezinswoning met een garage

Zodra de AI dit specifieke "karakter" (de Persona) heeft gebouwd, vraag je het: "Als jij deze specifieke persoon was, zou je dan naar je werk wandelen of met de auto gaan?"

Omdat de AI het volledige verhaal van die specifieke persoon begrijpt, geeft het een veel realistischer antwoord. De onderzoekers hebben meer dan 15.000 van deze unieke "Personas" gemaakt om elk type persoon in Duitsland te dekken.

De Test: De "Gouden Standaard"

Om te zien of hun nieuwe methode werkte, vergeleken de onderzoekers hun AI-gegenereerde antwoorden met een echte, enorme enquête genaamd MiD 2017. Zie de MiD 2017 als de "Gouden Standaard" of het "Antwoordmodel" dat is gemaakt door daadwerkelijk echte mensen te ondervragen.

Ze testten zes verschillende manieren om de AI te laten data genereren:

Naive AI: "Raad maar gewoon wat mensen doen." (Resultaat: Rommelig en onnauwkeurig).
Structured AI: "Zorg ervoor dat het aantal oude en jonge mensen overeenkomt met de echte wereld." (Resultaat: Beter, maar miste nog steeds de details).
Guided AI: "Zorg ervoor dat de aantallen kloppen EN dat de gemiddelde antwoorden overeenkomen met de werkelijkheid." (Resultaat: Goed, maar niet perfect).
Naive Persona: "Maak specifieke karakters, maar raad hoeveel van elk karakter bestaat." (Resultaat: Oké, maar de mix van karakters was fout).
Structured Persona: "Maak specifieke karakters en zorg dat de mix overeenkomt met de echte wereld." (Resultaat: Beter).
Guided Persona (De Winnaar): "Maak specifieke karakters, zorg dat de mix overeenkomt met de echte wereld, EN zorg dat de antwoorden overeenkomen met de statistieken uit de echte wereld."

De Resultaten: De Winnaar Neemt Alles Over

De resultaten waren duidelijk. De Guided Persona-based AI Survey was de enige methode die het echt goed deed.

De Analogie: Als de echte enquête een foto is, dan was de "Naive" AI-methode een wazige schets. De "Guided Persona"-methode was een high-definition foto die zo perfect was, dat het bijna onmogelijk was om te zien dat deze door een computer was gemaakt.
De Cijfers: De onderzoekers gebruikten wiskunde om de "afstand" tussen de antwoorden van de AI en de echte antwoorden te meten. De Guided Persona-methode had een foutscore die bijna nul was. Het slaagde erin de complexe regels van het leven te vangen, zoals het feit dat het bezit van een auto vaak tegelijkertijd afhangt van je leeftijd, je baan en je gezinssamenstelling.

Waarom Dit Belangrijk Is (Volgens het Artikel)

Het artikel concludeert dat deze methode een gamechanger is om drie belangrijke redenen:

Privacy: Je kunt bestuderen hoe mensen zich gedragen zonder ooit hun echte, privé namen of adressen te hoeven zien. Je bestudeert alleen "nep" mensen die zich gedragen als echte mensen.
Kosten & Snelheid: Het is veel goedkoper en sneller om 10.000 AI-reacties te genereren dan om mensen in te huren om papieren enquêtes in te vullen.
Flexibiliteit: Je kunt de AI vragen: "Wat als iedereen plotseling meer geld heeft?" of "Wat als het elke dag regent?" en direct een antwoord krijgen op basis van de regels van menselijk gedrag, zonder te hoeven wachten tot een echt experiment heeft plaatsgevonden.

Kortom: De onderzoekers hebben bewezen dat als je een AI een gedeteld "karakterblad" (een Persona) geeft en het precies vertelt hoe echte mensen zich gedragen, de AI een perfecte nep-enquête kan maken die wetenschappers helpt de echte wereld te begrijpen, zonder de moeite van het ondervragen van echte mensen.

Technische Samenvatting: Gestuurde Persona-gebaseerde AI-surveys

Probleemstelling

Traditionele survey-methoden voor transportstelsels en sociaal-wetenschappelijk onderzoek worden geconfronteerd met aanzienlijke hindernissen, waaronder hoge operationele kosten, inefficiëntie in gegevensverzameling en beperkte schaalbaarheid. Hoewel bestaande technieken voor het genereren van synthetische data zich hebben gericht op demografische simulatie of imputatie, falen ze vaak in het vastleggen van de complexe afhankelijkheden tussen sociodemografische attributen (bijv. leeftijd, opleidingsniveau, economische status) en specifieke gedragsvoorkeuren (bijv. mobiliteitskeuzes). Bijgevolg hebben deze methoden moeite om complexe, reële correlaties te reproduceren zonder expliciete voorafgaande definitie, wat hun bruikbaarheid voor hoogwaardige scenario-planning beperkt.

Methodologie

Deze studie stelt een nieuwe Gestuurde Persona-gebaseerde AI-Survey methodologie voor om synthetische mobiliteitsdata te genereren. De aanpak maakt gebruik van Large Language Models (LLMs), specifiek de GPT-4o API, om kunstmatige enquête-antwoorden te creëren die in lijn zijn met real-world benchmarks.

1. Dataset en Benchmarking
De studie maakt gebruik van de MiD 2017 (Mobility in Germany 2017) dataset als grondwaarheid (ground truth). Deze uitgebreide nationale enquête bevat gedetailleerde demografische distributies, transportmodi en reisfrequenties. De dataset werd genormaliseerd door "niet gespecificeerde" antwoorden samen te voegen met de meest populaire categorieën om consistentie te waarborgen.

2. Persona Definitie
Een "Persona" wordt formeel gedefinieerd als een tupel $P(A, E, M, S, H)$ dat een unieke combinatie van vijf attributen vertegenwoordigt:

Leeftijdsgroep ( $A$ )
Opleidingsniveau ( $E$ )
Hoofdactiviteit ( $M$ )
Economische status ( $S$ )
Huishoudtype ( $H$ )

Het populatiepercentage van een specifieke Persona ( $\pi_P$ ) wordt berekend met behulp van conditionele kansen om de onderlinge afhankelijkheden tussen attributen te respecteren (bijv. de kans op een specifieke economische status gegeven leeftijd, opleiding en activiteit).

3. Vergelijkingskader
De studie evalueert zes verschillende survey-generatiemethoden tegenover de MiD 2017 benchmark:

Naive AI Survey: Genereert een populatie op basis van algemene kennis zonder afstemming op real-world benchmarks.
Structured AI Survey: Stemt de synthetische populatiestructuur af op de MiD 2017 demografie, maar stemt de responsdistributies niet expliciet af.
Guided AI Survey: Voegt beperkingen toe aan zowel de populatiestructuur als de gemiddelde responsen op basis van MiD 2017 statistieken.
Naive Persona-based AI Survey: Definieert alle mogelijke attribuutcombinaties (Personae) en simuleert responsen met behulp van algemene kennis.
Structured Persona-based AI Survey: Stemt de Persona-dichtheden af met de MiD 2017 demografische gegevens.
Guided Persona-based AI Survey: Bouwt voort op de Structured Persona-methode door de verwachte responsstatistieken uit MiD 2017 in de LLM-prompts te integreren.

Prompts werden afgestemd voor elke methode, variërend van algemene instructies tot geavanceerde directieven die de LLM expliciet instrueren om realistische correlaties tussen attributen te handhaven op basis van de benchmark-data.

Belangrijkste Bijdragen

Nieuwe Methodologie: Introductie van de "Guided Persona-based" aanpak, die systematisch sociodemografische en gedragsattributen integreert om synthetische responsen te genereren, een techniek die nog niet eerder is toegepast op reis-surveys.
Schaalbare Synthetische Data: Demonstratie van een kosteneffectief, privacy-bewarend alternatief voor traditionele surveys dat grootschalige datasets kan genereren (bijv. 15.840 unieke Personae) die diverse scenario's omvatten.
Vastleggen van Complexe Afhankelijkheden: De studie toont aan dat LLM's, wanneer ze worden gestuurd door specifieke persona's en real-world beperkingen, effectief de niet-lineaire afhankelijkheden tussen demografische factoren en mobiliteitsvoorkeuren kunnen modelleren, waarmee de beperkingen van traditionele imputatietechnieken worden overwonnen.

Resultaten

De prestaties van de methoden werden geëvalueerd met behulp van statistische uitlijningsmetrieken, waaronder Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Jensen-Shannon (JS) Distance, Entropie, Conditionele Entropie en Cramér's V.

Superieure Prestaties van Guided Persona-based AI: Deze methode bereikte een bijna perfecte afstemming met de echte survey-data, met een uitzonderlijk lage MAE van 0,03, RMSE van 0,17, en JS Distance van 0,0 de 0,0016. Het behaalde een Cramér's V van 1,00, wat wijst op een perfecte associatiestuctuur tussen variabelen vergeleken met de echte data.
Prestaties van Guided AI Survey: Deze methode presteerde ook robuust (MAE: 3,37, RMSE: 4,65) maar was minder precies dan de Persona-gebaseerde variant, wat suggereert dat expliciete Persona-structurering de nauwkeurigheid verhoogt.
Beperkingen van Andere Methoden: Naive en Structured AI-surveys (zowel niet-Persona-gebaseerd als Persona-gebaseerd zonder sturing) vertoonden significant hogere foutmetrieken (bijv. Naive AI Survey MAE: 10,53) en hadden moeite om complexe demografische-responsrelaties te vatten. De Structured Persona-based methode toonde een matige prestatie, maar miste de precisie van de gestuurde aanpak.

Betekenis en Claims

Het artikel claimt dat de Guided Persona-based AI Survey een transformerende vooruitgang vormt in de survey-methodologie. Door demografische afstemming te combineren met responsbeperkingen, maakt het de creatie van hoogwaardige synthetische datasets mogelijk die schaalbaar, kosteneffectief en privacy-bewarend zijn.

De auteurs stellen dat deze aanpak waardevolle kansen biedt voor transportplanning en sociaal-wetenschappelijk onderzoek, waardoor onderzoekers kunnen:

Populatieniveau-trends analyseren zonder toegang te hebben tot gevoelige individuele gegevens.
"Wat-als"-scenario's simuleren en hypothetische vragen verkennen die niet aanwezig zijn in de originele surveys.
Data genereren die accuraat de complexe afhankelijkheden tussen demografische attributen en reisgedrag reflecteren.

De studie concludeert dat hoewel LLM's krachtige capaciteiten bieden voor het genereren van synthetische data, de specifieke integratie van "Personae" met "Guided" beperkingen cruciaal is voor het bereiken van hoogwaardige resultaten die overeenkomen met geobserveerde real-world patronen. Toekomstig werk wordt gesuggereerd om hybride modellen voor computationele efficiëntie te verkennen en de toepassingen uit te breiden naar andere transportmodi en datasets.