💬 NLP

Identity, Cooperation and Framing Effects within Groups of Real and Simulated Humans

Este artigo demonstra que vincular profundamente grandes modelos de linguagem com identidades narrativas ricas e verificar sua consistência melhora significativamente a simulação do comportamento humano em jogos de dilemas sociais, permitindo a exploração de fatores contextuais críticos como tempo, enquadramento e grupos de participantes que frequentemente dificultam a replicação de estudos humanos.

Autores originais: Suhong Moon, Minwoo Kang, Joseph Suh, Mustafa Safdari, John Canny

Publicado 2026-02-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Suhong Moon, Minwoo Kang, Joseph Suh, Mustafa Safdari, 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 está tentando entender por que as pessoas agem da maneira que agem em situações sociais complicadas, como decidir como dividir uma quantia de dinheiro com um estranho. Durante décadas, cientistas realizaram experimentos reais com milhares de humanos de verdade para descobrir isso. Mas experimentos reais são caros, lentos e às vezes difíceis de repetir exatamente porque pequenos detalhes (como o ano em que o estudo aconteceu ou a redação exata das instruções) podem mudar os resultados.

Este artigo faz uma grande pergunta: Podemos usar IA (especificamente Grandes Modelos de Linguagem) para agir como "humanos virtuais" que sejam tão realistas que possam nos ajudar a entender esses comportos sociais?

Aqui está a divisão do trabalho deles, usando analogias simples:

1. O Problema: O Robô "Educado Demais"

A maioria das pessoas tenta fazer a IA agir como um humano dando a ela uma instrução simples como: "Você é um republicano que gosta de impostos baixos". Os autores chamam isso de "direcionamento" (steering).

No entanto, os autores argumentam que os modelos de IA padrão são como concierges de hotéis excessivamente educados. Eles foram treinados para serem úteis, inofensivos e complacentes. Se você pedir para eles agirem como uma pessoa real com falhas, preconceitos ou rancores políticos fortes, eles geralmente falham. Eles suavizam as arestas ásperas da natureza humana.

A Solução: Em vez de usar o "concierge educado" (o modelo ajustado por instruções), eles usaram o "cérebro bruto" (o modelo base pré-treinado). Pense no cérebro bruto como uma biblioteca massiva contendo bilhões de conversas reais, diários e discussões da internet. Ele ainda não foi ensinado a ser educado; ele apenas conhece a forma como os humanos realmente falam, incluindo seus preconceitos, inconsistências e preconceitos.

2. O Método: Construindo uma "Vida Virtual"

Para fazer a IA agir como uma pessoa específica, os pesquisadores não deram apenas um rótulo a ela. Eles construíram um histórico detalhado, como escrever uma biografia completa para um personagem de um romance.

A Entrevista: Eles pediram para a IA "entrevistar" a si mesma, gerando uma história longa e detalhada sobre sua infância, família, lutas e visões políticas.
A Correspondência: Eles então pegaram participantes humanos reais de estudos antigos e os combinaram com os "personagens" de IA que tinham as histórias de vida mais semelhantes.
A "Máquina do Tempo" (Ancoragem Temporal): Humanos mudam ao longo do tempo. Uma pessoa em 2014 pode se sentir de forma diferente sobre política do que em 2019. Os pesquisadores forçaram a IA a "lembrar" exatamente em que ano ela estava vivendo durante a simulação, tal como um viajante do tempo.
O "Teste de Realidade" (Filtro de Consistência): Às vezes, a IA fica confusa e esquece sua própria história (por exemplo, dizendo que é uma Democrat mesmo tendo acabado de ser informada de que é uma Republicana). Os pesquisadores adicionaram uma etapa onde uma segunda IA verifica as respostas para garantir que o personagem permaneça fiel ao seu histórico.

3. O Experimento: Os Jogos de "Divisão de Dinheiro"

A equipe testou esses humanos virtuais em dois jogos clássicos usados por psicólogos:

O Jogo do Ditador: Você tem $10. Você pode ficar com tudo ou dar uma parte para um estranho.
O Jogo da Confiança: Você envia dinheiro para um estranho, que é triplicado. Eles podem escolher devolver uma parte para você.

A reviravolta? Os pesquisadores disseram à IA quem era o estranho: "A outra pessoa é uma Democrat" ou "A outra pessoa é uma Republicana".

O Achado:
Humanos reais tendem a ser muito mais gentis com pessoas que compartilham seu partido político (co-partidários) e mais mesquinhos com aqueles que não compartilham. Os pesquisadores descobriram que seus personagens de IA profundamente vinculados replicaram esse comportamento quase perfeitamente.

Quando a IA sabia que a outra pessoa era um "co-partidário", ela dava mais dinheiro.
Quando a IA sabia que a outra pessoa era um "rival", ela dava menos.
Crucialmente, a IA acertou o tempo. Ela mostrou uma maior lacuna na generosidade nas simulações de 2019 em comparação com as de 2014, espelhando como a polarização política cresceu ao longo do tempo.

4. A Máquina do "E Se..."

A parte mais emocionante deste artigo é o que a IA permitiu que eles fizessem, algo impossível com humanos reais: Contrafatuais.

Imagine que você tem dois estudos reais que obtiveram resultados diferentes. Você não sabe se foi por causa do ano em que foram feitos, da redação das instruções ou do tipo de pessoas recrutadas.

Com humanos reais, você não pode mudar uma coisa sem mudar tudo o mais.
Com a IA deles, eles puderam rodar uma simulação de "E Se". Eles pegaram o estudo de 2014 e perguntaram: "E se usássemos as instruções de 2019?" ou "E se usássemos o grupo de participantes de 2019?".

A Surpresa: Eles descobriram que a redação das instruções (o "Enquadramento") teve um impacto maior nos resultados do que o ano em que o estudo foi realizado. A IA ajudou a mostrar que pequenas mudanças na forma como uma pergunta é feita podem alterar drasticamente como as pessoas respondem, um detalhe frequentemente negligenciado em estudos humanos.

Resumo

Este artigo mostra que, se você tratar a IA não como um "assistente prestativo", mas como um espelho bruto e sem filtros da conversa humana, e depois fornecer a ela uma história de vida rica e detalhada e um período de tempo específico, ela pode simular o comportamento social humano com uma precisão surpreendente.

Não se trata de substituir os estudos humanos, mas de ter um simulador de alta fidelidade que permite aos pesquisadores testar cenários de "e se" para entender por que os estudos humanos às vezes dão respostas diferentes. É como ter um simulador de voo para a psicologia social, onde você pode derrubar o avião (ou o experimento) para ver o que deu errado sem ferir nenhuma pessoa real.

Resumo Técnico: Identidade, Cooperação e Efeitos de Enquadramento em Grupos de Humanos Reais e Simulados

Declaração do Problema

A tomada de decisão humana em dilemas sociais é moldada não apenas pela deliberação racional, mas também pela identidade social (ex: partidarismo político) e fatores contextuais (ex: tempo, enquadramento de perguntas e grupos de participantes). Embora os Grandes Modelos de Linguagem (LLMs) tenham mostrado promessa na simulação do comportamento humano, pesquisas anteriores focaram amplamente em pesquisas de opinião ou tomada de decisão racional, negligenciando comportamentos impulsionados pela identidade. Além disso, os métodos de simulação existentes frequentemente dependem de modelos de chat ajustados por instrução (IT - instruction-tuned), que os autores argumentam introduzir vieses ao achatar a diversidade humana e impor uma persona de "agente prestativo" que falha em representar traços negativos, preconceitos ou o espectro completo da identidade humana.

O desafio central abordado é se os LLMs podem simular com precisão ações humanas complexas — especificamente o favoritismo de endogrupo (in-group) e a animosidade de exogrupo (out-group) em jogos de alocação de recursos e de confiança — enquanto consideram variáveis contextuais sutis que frequentemente dificultam a reprodutibilidade de estudos humanos.

Metodologia

1. Seleção de Modelo: Pré-treinado vs. Ajustado por Instrução

Os autores defendem o uso de modelos pré-treinados (base) em vez de variantes ajustadas por instrução.

Racional: Modelos pré-treinados capturam uma "mistura de vozes" e um contexto latente (traços do falante, traços do ouvinte, tempo, lugar) de seus massivos corpora de treinamento. Em contraste, o ajuste por instrução otimiza os modelos para utilidade e segurança, efetivamente congelando a identidade para um "agente prestativo" e marginalizando os traços do usuário. Isso resulta em um "Efeito Lake Wobegon", onde modelos IT evitam sistematicamente caracterizações negativas, levando a uma baixa fidelidade na simulação de populações humanas diversas e realistas.
Evidência: O artigo demonstra que os modelos base exibem perplexidade significativamente menor em dados de diálogo humano (Reddit) em comparação com seus equivalentes IT, indicando um melhor ajuste aos padrões de linguagem humana.

2. Estrutura de Simulação

A estrutura proposta, DeepBind, envolve três componentes principais para simular participantes humanos em jogos de dilemas sociais (Jogos do Ditador e da Confiança):

Geração de Histórico Narrativo: Em vez de simples etiquetas demográficas, o sistema gera históricos ricos, em estilo de entrevista, para personas virtuais. Estes são criados através do prompting de um modelo pré-treinado com uma sequência de perguntas derivadas do American Voices Project (abrangendo infância, família, política, saúde, etc.).
- Controle de Qualidade: Um processo de amostragem de rejeição usando um modelo "crítico" ajustado por instrução filtra textos que não sejam de diálogo, blocos de código e inconsistências fatuais.
Correspondência Demográfica: As personas virtuais são pareadas com participantes reais de estudos humanos com base em traços demográficos e ideológicos extraídos de seus históricos usando um algoritmo de correspondência bipartida de peso máximo (algoritmo de Hungarian).
Estratégias de Prompting:
- Ancoragem Temporal: As simulações são explicitamente vinculadas ao ano específico em que o estudo humano original foi realizado (ex: 2014 vs. 2019) via pares de QA forçados dentro do prompt. Isso aborda a hipótese de que a animosidade partidária aumentou ao longo do tempo.
- Filtragem de Consistência: Para evitar o desvio semântico durante simulações longas, o sistema reitera periodicamente a identidade e a filiação de grupo da persona (ex: "Lembre-se que você se identificou como Republicano") para manter a consistência comportamental.

3. Desenho Experimental

Os autores avaliaram a estrutura utilizando dois clássicos jogos de economia comportamental:

Jogo do Ditador: Medindo o altruísmo e o favoritismo de endogrupo na alocação de recursos.
Jogo da Confiança: Medindo a confiança (remetente) e a confiabilidade (receptor).

O estudo replicou quatro experimentos humanos (Iyengar & Westwood, 2015; Whitt et al., 2021; Carlin & Love, 2018) através de três famílias de modelos (Mistral-Small, Mixtral, Qwen-2.5). Os autores também realizaram simulações contrafatuais para isolar os efeitos de três fatores específicos: Ano do Estudo, Enquadramento de Instrução (redação) e Grupo de Participantes (fonte de recrutamento).

Principais Resultados

1. Fidelidade da Simulação

O método DeepBind (condicionamento de histórico + ancoragem temporal + filtragem de consistência) superou consistentemente as estratégias de prompting de linha de base (QA, Bio, Portray) na replicação do viés partidário humano ( $\Delta$ values).

No Jogo do Ditador, o DeepBind alcançou o alinhamento mais próximo com os dados humanos para Democratas e Republicanos em múltiplos estudos. Por exemplo, no estudo de Whitt et al. de 2019, o DeepBind produziu um $\Delta$ Republicano de 2,16 (vs. humano 2,33) e um $\Delta$ Democrata de 2,60 (vs. humano 2,46), significativamente mais próximo que as linhas de base.
No Jogo da Confiança, o DeepBind similarmente igualou os marcos humanos, replicando, por exemplo, um $\Delta$ Republicano de 2,00 (vs. humano 1,76) no estudo de 2019.

2. Estudos de Ablação

Históricos (Backstories): Remover os históricos narrativos estendidos (revertendo para prompts de QA simples) degradou significativamente o desempenho, confirmando que o vínculo profundo da persona é crítico.
Ancoragem Temporal e Consistência: Combinar ambas as técnicas gerou os melhores resultados. Para o Jogo do Ditador de 2019, a abordagem combinada alcançou um $\Delta$ de Diferença Média de 2,38, quase igualando a lacuna humana de 2,40. Usar apenas uma técnica foi menos eficaz.

3. Análise Contrafatual de Reprodutibilidade

Ao variar Ano, Enquadramento e Grupo de Participantes independentemente, os autores identificaram os motores da variância nos resultados dos estudos humanos:

Efeitos de Enquadramento: A redação das instruções (especificamente, a presença de lembretes em negrito da filiação política) teve um impacto mais forte no viés partidário do que o ano do estudo em alguns contextos. Isso desafia a conjectura de que o aumento do partidarismo se deve exclusivamente a mudanças temporais.
Grupos de Participantes: No Jogo da Confiança, a diferença entre fontes de recrutamento (Mechanical Turk vs. Dynata/SSI) mostrou um efeito fraco, mas significativo. No Jogo do Ditador, onde os grupos eram mais similares, esse efeito foi negligenciável.
Efeitos de Ano: O ano do estudo afetou significativamente as diferenças de alocação nos jogos do Ditador, mas não nos jogos da Confiança.

Significância e Alegações

O artigo afirma que os LLMs, quando configurados adequadamente com modelos pré-treinados sem viés e vínculo narrativo profundo, podem servir como uma ferramenta poderosa para explorar as nuances do comportamento social humano que são frequentemente omitidas das descrições experimentais.

Ferramenta de Reprodutibilidade: A estrutura permite que pesquisadores "explorem contrafatualmente" como mudanças sutis no desenho do estudo (ano, enquadramento, grupo) alteram os resultados, ajudando a explicar discrepâncias entre estudos de replicação humana.
Além de Pesquisas de Opinião: Ao contrário do trabalho anterior focado em sondagens de opinião, este trabalho demonstra que os LLMs podem simular ações (alocação de recursos) influenciadas pela identidade e pelo contexto.
Mudança Metodológica: Os autores argumentam que modelos ajustados por instrução são inadequados para simular a total diversidade do comportamento humano devido ao seu viés inerente de "prestatividade", e que modelos base oferecem uma representação mais fiel da complexidade humana, incluindo traços negativos e preconceitos.

Limitações

Os autores reconhecem várias restrições:

Dependência de Dados: A fidelidade é limitada ao escopo temporal e cultural dos dados de treinamento do modelo (ex: não se espera que simular o comportamento de 1950 seja preciso).
Propagação de Viés: Embora os modelos base capturem a diversidade, eles também capturam vieses sociais. As personas geradas podem refletir estereótipos prejudiciais ou preconceitos presentes em seus dados de treinamento.
Intensidade de Recursos: Gerar históricos de alta qualidade com amostragem de rejeição requer recursos computacionais significativos.
Especificidade de Domínio: Os experimentos atuais focam exclusivamente no partidarismo político dos EUA; a generalização para outras culturas ou contextos não foi comprovada.

O artigo conclui que, embora os estudos humanos continuem sendo o "padrão ouro", esta estrutura de simulação oferece um mecanismo valioso para compreender as "variáveis ocultas" do desenho experimental que afetam o comportamento humano.