💬 NLP

Anamnesis: An Open-Source Platform for Large-Scale Backstory-Conditioned Survey Simulation

Este artigo apresenta o Anamnesis, uma plataforma interativa de código aberto que utiliza grandes modelos de linguagem condicionados a histórias de fundo narrativas estruturadas para simular pesquisas de larga escala e demograficamente controláveis, demonstrando sua capacidade de replicar com maior precisão as distribuições de opiniões do mundo real do que as linhas de base padrão de prompting de persona.

Autores originais: Song-Ze Yu, Joseph Suh, Serina Chang, David M. Chan

Publicado 2026-07-14

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Song-Ze Yu, Joseph Suh, Serina Chang, David M. Chan

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 queira saber o que uma cidade inteira pensa sobre um novo parque, mas não pode perguntar a cada pessoa. Tradicionalmente, pesquisadores precisam pagar pessoas reais para preencherem pesquisas, o que é lento, caro e, às vezes, difícil de organizar. Conheça o Anamnesis, um novo playground de código aberto que permite aos pesquisadores construir "populações virtuais" para testar suas perguntas antes mesmo de falarem com um humano real.

Pense no Anamnesis como um grande teste de elenco digital. Em vez de contratar atores que apenas dizem: "Sou uma mulher hispânica de 35 anos", o sistema escala personagens com histórias de vida completas e ricas. Estes não são apenas listas de fatos; são histórias de fundo detalhadas, de vários parágrafos, repletas de memórias, valores e peculiaridades, geradas por IA. Quando você faz uma pergunta de pesquisa a esses personagens virtuais, eles respondem com base em toda a sua "vida" até agora, não apenas com base em um rótulo.

Por que o método antigo não funcionava tão bem
O artigo argumenta que o antigo método de "prompt de persona" — onde você apenas diz à IA: "Aja como uma mulher hispânica de 35 anos" — é como pedir a um ator de método para interpretar um papel tendo apenas um crachá com seu nome. Isso frequentemente leva a respostas estereotipadas que parecem rasas e falsas. Os autores mostram que esses prompts simples falham em capturar as opiniões bagunçadas, sutis e, às vezes, contraditórias das pessoas reais. O Anamnesis rejeita essa abordagem superficial, insistindo que, para obter opiniões reais, é necessário ter histórias de fundo narrativas profundas.

Como a mágica acontece
A plataforma funciona como um serviço de matchmaking sofisticado.

O Elenco: O sistema possui um banco de dados de 35.000 personagens virtuais pré-fabricados, cada um com uma história de vida única.
O Alvo: Um pesquisador pode dizer: "Preciso de 100 pessoas que sejam eleitores entre 25 e 44 anos, divididos igualmente entre Democratas e Republicanos".
A Combinação: Como o sistema não sabe a demografia exata de cada personagem com 100% de certeza (é uma estimativa), ele usa um truque matemático inteligente para escolher o melhor grupo que se ajuste ao alvo do pesquisador. É como um DJ misturando faixas para conseguir a vibe perfeita para uma festa, garantindo que a multidão seja exatamente a ideal.
A Conversa: À medida que as pessoas virtuais respondem à pesquisa, o sistema lembra de suas respostas anteriores. Se um personagem diz que ama fazer trilhas na questão um, ele não dirá subitamente que odeia atividades ao ar livre na questão dois. Isso mantém sua "personalidade" consistente, exatamente como faria um ser humano real.

Isso realmente funcionou?
Os autores não apenas adivinharam; eles colocaram o sistema à prova de duas maneiras específicas:

O Teste Político: Eles tentaram recriar pesquisas reais do Pew Research Center sobre tópicos como política e questões biomédicas. Os resultados mostraram que a população virtual do Anamnesis forneceu respostas que eram muito mais próximas dos dados humanos reais do que os antigos métodos de prompting de "lista curta". De fato, as opiniões do grupo virtual foram tão semelhantes às de pessoas reais que a diferença foi medida como 0,147 (um número baixo indica uma correspondência próxima) em um teste específico, comparado a 0,258 para o método mais antigo e simples.
O Teste do Desenho Animado: Eles também testaram se essas pessoas virtuais conseguiam entender humor e imagens. Eles usaram o New Yorker Caption Contest, onde as pessoas votam na legenda mais engraçada para um desenho. Quando os personagens virtuais votaram, eles escolheram as legendas favoritas dos humanos 59,2% das vezes, comparado a apenas 51,0% do método mais simples. Isso sugere que dar à IA uma história de vida completa ajuda a IA a "entender" as preferências humanas melhor, mesmo com imagens e piadas.

O que isso significa para você
Isso não é uma bola de cristal mágica que prevê o futuro, nem um substituto para a pesquisa humana real. Os autores sugerem que o Anamnesis é uma poderosa ferramenta de prototipagem. Ele permite que os pesquisadores "testem o estresse" de suas pesquisas — verificando se suas perguntas são confusas ou se seus resultados parecem estranhos — usando uma multidão diversificada de pessoas virtuais primeiro. Se a multidão virtual reagir de forma estranha, o pesquisador pode corrigir a pesquisa antes de gastar dinheiro com pessoas reais.

O artigo enfatiza que este é um ferramenta de código aberto (open-source), o que significa que qualquer pessoa pode usar gratuitamente, ao contrário de alguns serviços comerciais de "caixa preta" que escondem como funcionam. Ao disponibilizar essas técnicas avançadas de simulação para todos, o Anamnesis espera ajudar os pesquisadores a entender o comportamento humano de forma mais precisa, rápida e barata, mantendo todo o processo transparente e reproduzível.

Resumo Técnico: Anamnesis

Definição do Problema

Pesquisas de opinião tradicionais e sondagens sociais enfrentam obstáculos logísticos e econômicos significativos, incluindo custos crescentes, taxas de resposta em declínio e a dificuldade de alcançar subpopulações demográficas específicas. Embora os Grandes Modelos de Linguagem (LLMs) ofereçam uma alternativa potencial como "personas virtuais", as tentativas anteriores de simular populações humanas basearam-se no "prompt de persona" utilizando listas curtas de atributos demográficos (ex: "mulher hispânica de 35 anos"). Esta abordagem frequentemente gera respostas estereotipadas e carece da profundidade psicológica necessária para a elicitação de opiniões complexas. Além disso, metodologias de alta fidelidade existentes como Anthology (Moon et al., 2024) e Alterity (Kang et al., 2025) permanecem confinadas a scripts Python isolados, enquanto plataformas de simulação comerciais operam como sistemas proprietários de código fechado, carecendo da transparência e reprodutibilidade necessárias para a ciência social rigorosa.

Metodologia

Anamnesis é uma plataforma de código aberto, baseada na web, projetada para operacionalizar as estruturas Anthology e Alterity para usuários não técnicos. Ela substitui prompts demográficos curtos por histórias de vida narrativas ricas e abertas para condicionar as respostas dos LLMs.

Componentes Principais

Condicionamento de Histórico Narrativo (Backstory):
- Em vez de listas de atributos, o sistema condiciona os modelos em histórias de vida de múltiplos parágrafos geradas através da amostragem de modelos base pré-treinados (usando perguntas de entrevista do American Voices Project).
- Esses históricos capturam experiências formativas, valores e visões de mundo, não apenas demografia.
- Os atributos demográficos são inferidos probabilisticamente a partir dos históricos, em vez de serem observados como rótulos.
Arquitetura do Sistema:
- Modelo Dispatcher–Queue–Worker: Para lidar com a complexidade $O(S \times Q \times N)$ de execuções de pesquisas (onde $S$ é o tamanho da amostra, $Q$ é o número de perguntas e $N$ é a reamostragem), o sistema utiliza uma fila assíncrona. Os workers executam as perguntas sequencialmente por persona com acumulação de contexto sequencial, garantindo a consistência de crenças entre as perguntas.
- Construtor de Pesquisas (Survey Builder): Uma interface gráfica permite que os usuários construam pesquisas multimodais (múltipla escolha, questões abertas, classificação, imagem e áudio) sem codificação.
Segmentação e Seleção Demográfica:
- Correspondência Probabilística (Probabilistic Matching): Como a demografia é composta por distribuições inferidas ( $p_{b,d}(c)$ $p_{b, d} (c)$ ), o sistema emprega dois algoritmos de seleção:
  - Classificação de Probabilidade Top-K: Seleciona personas com a maior compatibilidade conjunta com os filtros alvo.
  - Correspondência Demográfica Equilibrada: Resolve um problema de atribuição (usando o algoritmo de Hungaria) para preencher células demográficas específicas (ex: idade $\times$ gênero) enquanto maximiza a compatibilidade geral. Para garantir a latência em tempo real, o pool de candidatos é podado para os $M$ melhores candidatos por célula antes da atribuição.
- Inferência Demográfica: Usuários podem definir novas dimensões demográficas (ex: inclinação política) de forma dinâmica. O sistema estima as distribuições de probabilidade para essas dimensões usando tanto o modo Logprobs (passagem direta única restrita) quanto o modo N-sample (distribuição empírica a partir de amostragem repetida) para acomodar usuários sem infraestrutura vLLM auto-hospedada.
Algoritmos de Resposta:
- Anthology (Padrão): Precede a primeira pergunta com o histórico completo; anexa pares de pergunta-resposta ao contexto para as perguntas subsequentes.
- Baseline Zero-shot: Condiciona apenas em descrições demográficas curtas (ex: prompts estilo CLAIR) para servir como controle de ablação.

Contribuições Principais

Primeira Plataforma GUI de Código Aberto: O Anamnesis é o primeiro sistema que combina condicionamento de histórico narrativo, correspondência demográfica probabilística, acumulação de contexto sequencial e suporte a pesquisa multimodal em uma interface implantável e não técnica.
Operacionalização de Estruturas Avançadas: Ele traduz as metodologias Anthology e Alterity de protótipos de pesquisa para uma interface web unificada, tornando a aproximação de persona de estado da arte acessível a pesquisadores sem expertise em programação.
Infraestrutura Escalável: A plataforma suporta execuções de pesquisas simultâneas sobre um pool de 35.000 históricos pré-amostrados com balanceamento demográfico automatizado e agregação de resultados.

Resultados

O sistema foi avaliado através de dois estudos de caso:

Replicando Pesquisas de Opinião Pública (Pew Research Center ATP):
- A plataforma replicou segmentos do American Trends Panel (ATP) através de três ondas (biomédica, tipologia política, IA).
- Métrica: Distância de Wasserstein (WD) média e Norma de Frobenius (Fro.) entre matrizes de correlação de resposta.
- Resultado: O Anamnesis (condicionado por história) superou significativamente os baselines de lista demográfica padrão (BIO e QA) na correspondência de distribuições de resposta do mundo real. Por exemplo, na Onda 34, o Anamnesis alcançou uma WD de 0,147 comparado a 0,258 para o baseline BIO. Os resultados espelharam de perto as distribuições humanas, embora uma lacuna tenha permanecido em relação aos dados humanos reais.
Estimativa de Preferência Multimodal (New Yorker Caption Contest):
- O sistema simulou preferências humanas de visão-linguagem em 49 concursos de legendas de cartuns.
- Métrica: Precisão de voto majoritário e participação de votos para a legenda preferida pelos humanos.
- Resultado: A abordagem Anthology alcançou 59,2% de precisão de voto majoritário (vs. 51,0% para o baseline zero-shot). Aumentou a participação média de votos para a legenda preferida pelos humanos em 7,8 pontos percentuais ( $p=0,0024$ ), demonstrando que o condicionamento narrativo melhora o alinhamento com julgamentos humanos coletivos em tarefas multimodais.

Significância

O artigo posiciona o Anamnesis como uma alternativa transparente, reprodutível e de código aberto aos serviços de simulação proprietários. Sua utilidade primária reside em permitir que cientistas sociais prototipem e testem instrumentos de pesquisa em populações virtuais demograficamente equilibradas antes de recrutar sujeitos humanos. Ao fornecer uma interface não técnica para simulação de persona de alta fidelidade, a plataforma visa democratizar o acesso a metodologias rigorosas de ciências sociais, permitindo que pesquisadores examinem distribuições de opinião entre subgrupos sem o ônus logístico da pesquisa tradicional com seres humanos.