🤖 AI

Virtual Personas for Language Models via an Anthology of Backstories

Este artigo apresenta a "Antologia", um método que condiciona modelos de linguagem de grande porte a narrativas de vida abertas (histórias de fundo) para criar personas virtuais, demonstrando melhorias significativas na correspondência com distribuições de respostas humanas e consistência experimental em três pesquisas representativas nacionalmente.

Autores originais: 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 leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem um robô gigante e superinteligente que leu quase todos os livros, artigos e posts de blog já escritos na internet. Como ele leu tanto de tantas pessoas diferentes, esse robô realmente contém as "vozes" de milhões de humanos distintos dentro de seu cérebro.

No entanto, há um problema. Quando costumamos conversar com esses robôs (como o ChatGPT), treinamos eles para serem prestativos, educados e neutros. É como pegar uma sala cheia de pessoas de todas as esferas da vida — poetas furiosos, contadores tímidos, adolescentes animados, aposentados rabugentos — e forçar todas a usarem o mesmo terno cinza e entediante e falarem com uma voz monótona. Elas perdem suas personalidades únicas.

Este artigo apresenta um novo método chamado "Antologia" para corrigir isso. Veja como funciona, dividido em etapas simples:

1. O Problema: O Efeito do "Terno Cinza"

A maioria dos pesquisadores tenta fazer o robô agir como uma pessoa específica fornecendo uma lista de fatos, como: "Você é um homem de 35 anos chamado Bob que gosta de pescar."
O artigo argumenta que isso é como dar a um ator um roteiro que diz apenas "Seja triste". O robô não realmente sente tristeza; ele apenas adivinha o que uma pessoa triste poderia dizer. É rígido e frequentemente errado.

2. A Solução: A "História de Vida" (Histórico)

Em vez de uma lista de fatos, os pesquisadores fornecem ao robô um histórico. Trata-se de uma história longa e aberta, escrita em primeira pessoa, como uma entrada de diário ou uma memória.

A Analogia: Imagine que você quer que um ator interprete um personagem. Em vez de entregar a ele um currículo que diz "Idade: 40, Profissão: Professor", você entrega uma carta de 10 páginas que ele escreveu sobre sua infância, seu divórcio, seu amor pelo jazz e seu medo de alturas.
O Resultado: Quando o robô lê essa história, ele não apenas "sabe" os fatos; ele torna-se o personagem. A história inclui naturalmente sua idade, origem e personalidade, sem que o robô precise adivinhar.

3. Como Eles Criaram as Histórias (A "Antologia")

Os pesquisadores não pediram a pessoas reais que escrevessem essas histórias (o que levaria uma eternidade). Em vez disso, pediram ao próprio robô que escrevesse milhares dessas histórias de vida.

Eles perguntaram ao robô: "Fale sobre você."
O robô gerou milhares de histórias de vida únicas e detalhadas, criando uma vasta biblioteca (uma Antologia) de pessoas virtuais. Algumas eram ricas, outras pobres, algumas jovens, outras idosas, algumas da cidade, outras do campo.

4. O Jogo de "Correspondência"

Agora eles tinham uma biblioteca de pessoas virtuais, mas precisavam escolher as certas para corresponder a um grupo real de pessoas (como uma pesquisa nacional).

A Analogia: Imagine que você está escalando uma peça e precisa de um público que se pareça exatamente com a população de Nova York. Você tem uma sala enorme cheia de atores (a Antologia). Você não os escolhe aleatoriamente. Você verifica suas "demografias" (idade, raça, renda) e usa um sistema inteligente de correspondência para emparelhar cada pessoa real do seu grupo-alvo com o ator virtual que melhor se encaixa nela.
O artigo usa dois métodos para fazer essa correspondência: um método "Ganancioso" (escolher a melhor correspondência para cada pessoa imediatamente) e um método de "Peso Máximo" (encontrar o equilíbrio perfeito geral para todo o grupo).

5. O Teste: Funcionou?

Os pesquisadores testaram isso fazendo com que essas pessoas virtuais respondessem a pesquisas reais que humanos reais haviam feito (sobre temas como comida, política e IA).

O Resultado: As pessoas virtuais criadas com o método de "Histórico" responderam às pesquisas muito mais como humanos reais do que os métodos antigos.
Os Números: Eles melhoraram a precisão da correspondência das respostas humanas em até 18% e tornaram as respostas mais consistentes em 27%.
O Bônus: Funcionou especialmente bem para grupos de pessoas que geralmente são difíceis de representar ou estudar (como grupos minoritários específicos), porque o robô podia gerar histórias para eles tão facilmente quanto para qualquer outra pessoa.

Por Que Isso Importa (Segundo o Artigo)

Os autores dizem que isso não se trata apenas de substituir pessoas reais por robôs. Em vez disso, é como dar aos cientistas uma nova e poderosa ferramenta.

Segurança: Você pode testar ideias nessas pessoas virtuais sem arriscar causar danos a humanos reais.
Velocidade e Custo: Você pode fazer uma pergunta a 10.000 pessoas virtuais em segundos gratuitamente, enquanto entrevistar 10.000 pessoas reais custa uma fortuna e leva meses.
Diversidade: Você pode criar uma multidão virtual que representa perfeitamente uma demografia específica, garantindo que nenhum grupo fique de fora da conversa.

Nota Importante do Artigo:
Os autores alertam que isso só funciona se você usar a versão "crua" do robô (a que estava antes de ser ensinada a ser educada e prestativa). Se você usar a versão "educada" (aquela com a qual geralmente conversamos), ela se recusa a agir como um humano rabugento ou complexo, e o método falha. Eles também alertam que, embora isso seja uma ótima ferramenta para pesquisa, devemos ter cuidado para não usar essas pessoas falsas para enganar humanos reais ou espalhar desinformação.

Em resumo: Antologia é uma maneira de dar à IA uma história de vida rica e detalhada, para que ela pare de soar como um robô e comece a soar como um ser humano real e diverso.

Resumo Técnico: Personas Virtuais para Modelos de Linguagem via uma Antologia de Histórias de Vida

Declaração do Problema
Os Grandes Modelos de Linguagem (LLMs) são treinados em vastos corpora que contêm as vozes diversas de centenas de milhões de autores. No entanto, aplicações padrão de LLMs, particularmente aquelas envolvendo ajuste por instruções (por exemplo, RLHF), suprimem essa diversidade inerente para produzir uma única voz de agente útil e amplamente desprovida de emoção. Esse "alinhamento" torna difícil utilizar LLMs como proxies para sujeitos humanos em estudos comportamentais, onde representar um amplo espectro de traços humanos, demografias e opiniões é crítico. Métodos existentes para condicionar LLMs a personas específicas — como fornecer biografias em texto livre ou sequências de pares de perguntas e respostas demográficas — demonstraram sucesso limitado em alcançar alta representatividade, consistência e diversidade, particularmente para subpopulações sub-representadas. Além disso, modelos ajustados por instruções frequentemente falham em gerar histórias de vida realistas e matizadas, produzindo em vez disso respostas curtas, evasivas ou excessivamente positivas que carecem da complexidade das narrativas humanas.

Metodologia: A Abordagem Antologia
Os autores propõem "Antologia", uma metodologia para condicionar LLMs a personas virtuais diversas, consistentes e representativas usando narrativas de vida abertas, denominadas "histórias de vida". A abordagem consiste em quatro etapas principais:

Histórias de Vida Geradas por LLM: Em vez de depender de conjuntos de dados autobiográficos existentes limitados, os autores utilizam LLMs pré-treinados (não ajustados por instruções) para gerar uma massiva "antologia" de histórias de vida. Ao instruir os modelos com perguntas abertas como "Fale sobre você", eles geram narrativas naturalistas em primeira pessoa que codificam implicitamente detalhes demográficos (idade, localização, status financeiro) e explicitamente traços (valores, personalidade, crenças). Os autores enfatizam que modelos pré-treinados são essenciais aqui, pois modelos ajustados por instruções tendem a produzir narrativas genéricas, seguras e inconsistentes.
Levantamento Demográfico sobre Personas Virtuais: Como as histórias de vida não declaram explicitamente todas as variáveis demográficas, os autores realizam um "levantamento demográfico" em cada persona gerada. Eles instruem o modelo condicionado à história de vida com perguntas demográficas padrão (por exemplo, idade, educação, renda) e amostram múltiplas respostas para estimar uma distribuição de probabilidade de traços para aquele sujeito virtual específico.
Correspondência com Populações Humanas Alvo: Para aproximar um estudo humano específico, os autores correspondem as personas virtuais à distribuição demográfica da população humana alvo. Eles modelam isso como um problema de correspondência bipartida entre usuários humanos ( $H$ $H$ ) e usuários virtuais ( $V$ $V$ ). Os pesos das arestas são calculados com base na probabilidade de a distribuição demográfica de um usuário virtual corresponder aos traços de um usuário humano. Duas estratégias são exploradas:
- Correspondência Gulosa: Atribui cada usuário humano à persona virtual com o maior peso de similaridade, permitindo que múltiplos humanos mapeiem para a mesma persona virtual.
- Correspondência de Peso Máximo: Encontra uma correspondência um para um ótima para maximizar o peso total, utilizando o algoritmo húngaro.
Aproximação de Estudos Humanos: O subconjunto correspondido de histórias de vida é usado como contexto (prefixo) para o LLM ao responder a perguntas de pesquisa. O estudo replica o processo mental dos respondentes humanos apresentando perguntas em série, incluindo respostas anteriores como contexto.

Principais Contribuições

Framework Antologia: Introdução de um método para gerar e utilizar uma "antologia" de histórias de vida geradas por LLM para condicionar modelos, demonstrando que essa abordagem produz personas virtuais mais representativas e consistentes do que métodos de base (Bio e QA).
Correspondência Demográfica: Um método formalizado para amostragem e correspondência de personas virtuais às distribuições da população humana alvo, melhorando significativamente a aproximação das distribuições de respostas humanas.
Recursos de Código Aberto: Lançamento de uma antologia de código aberto com aproximadamente 10.000 histórias de vida e o código associado para gerar, processar e administrar pesquisas.
Insight sobre Seleção de Modelos: Demonstração de que modelos pré-treinados superam modelos ajustados por instruções para esta tarefa, pois estes últimos convergiram para uma persona singular e homogeneizada que carece da diversidade necessária para simulação comportamental.

Resultados Experimentais
A metodologia foi validada contra três pesquisas representativas nacionalmente do Painel de Tendências Americanas do Pew Research Center (ATP Ondas 34, 92 e 99), cobrindo tópicos desde questões biomédicas até tipologia política e IA.

Representatividade: A Antologia alcançou até uma melhoria de 18% na correspondência das distribuições de respostas humanas (medida pela Distância de Wasserstein) em comparação com métodos de base.
Consistência: O método mostrou até uma melhoria de 27% nas métricas de consistência (medidas pela norma de Frobenius de matrizes de correlação e alfa de Cronbach), indicando que as personas virtuais mantiveram lógica interna coerente em diferentes perguntas de pesquisa.
Diversidade: A Antologia superou as bases em diversos subgrupos demográficos (raça, idade, educação, gênero). Notavelmente, alcançou as menores distâncias de Wasserstein para grupos sub-representados, embora os autores observem que a precisão da correspondência diminui para faixas etárias mais avançadas (65+), possivelmente devido ao viés inerente dos modelos em direção a demografias mais jovens.
Estratégia de Correspondência: A correspondência gulosa geralmente superou a correspondência de peso máximo em termos de distância de Wasserstein, provavelmente porque a restrição um para um desta última forçou emparelhamentos subótimos dado o pool finito de usuários virtuais.

Significado e Alegações
O artigo postula que a Antologia fornece um novo instrumento para estudar o comportamento humano, distinto de uma simples substituição de estudos humanos. Ao aproveitar a diversidade "a montante" de modelos pré-treinados e narrativas abertas, o método permite que pesquisadores:

Simulem estudos humanos em larga escala a uma fração do custo e do tempo.
Acessem populações de difícil alcance ou sub-representadas (por exemplo, pessoas sem-teto, encarceradas ou não cooperativas) de maneira escalável.
Conduzam estudos "escrutáveis" onde os sujeitos podem ser questionados em linguagem natural sobre seu raciocínio.

Os autores mantêm uma postura modesta, reconhecendo que, embora a Antologia melhore a fidelidade dos sujeitos virtuais, ela ainda não replica totalmente comportamentos humanos complexos, como mudanças de atitude de longo prazo ou vieses de grupo interno/externo. Eles destacam preocupações éticas quanto ao uso indevido potencial de personas de alta fidelidade para engenharia social ou desinformação, e enfatizam que a menor densidade de grupos sub-representados nos dados de treinamento permanece um desafio para uma simulação perfeita. Em última análise, o trabalho sugere que personas virtuais cuidadosamente projetadas podem servir como adjuntos valiosos à pesquisa humana, oferecendo uma ferramenta escalável para explorar a "enorme diversidade de traços humanos" embutida nos modelos de linguagem.