Resumo Técnico: De Personas de Pesquisa a Agentes de LLM

Declaração do Problema

O compromisso da União Europeia com a eliminação progressiva de novos veículos de combustão interna (ICE) representa uma mudança política significativa, contudo, as respostas públicas a tais mudanças são dinâmicas, moldadas pela interação, feedback e contextos sociopolíticos em evolução. Os métodos tradicionais de pesquisa são eficazes para medir atitudes em pontos específicos no tempo, mas são inadequados para modelar como essas atitudes evoluem sob choques exógenos e eventos em curso. Embora a literatura recente explore o uso de Modelos de Linguagem de Grande Escala (LLMs) como agentes generativos para simular o comportamento humano, os estudos existentes baseiam-se predominantemente em personas estilizadas e criadas manualmente. Essa abordagem limita o embasamento empírico das simulações, pois o design da persona influencia fortemente como os agentes interpretam o contexto e tomam decisões. Consequentemente, duas lacunas críticas permanecem: (1) a falta de métodos para construir agentes de LLM a partir de populações de respondentes empiricamente fundamentadas, em vez de personas manuais, e (2) a ausência de frameworks para estudar a formação dinâmica de preferências políticas utilizando esses agentes fundamentados sob contextos sociais em mudança.

Metodologia

Os autores propõem um framework de simulação de Modelagem Baseada em Agentes Generativos Fundamentada em Pesquisas (GABM). Esta abordagem transforma respondentes reais de pesquisas em agentes de LLM generativos, preenchendo a lacuna entre dados empíricos estáticos e simulação comportamental dinâmica.

Dados e Construção de Agentes

O framework utiliza dados de uma pesquisa online realizada na Alemanha (Verão de 2025), com 514 respondentes, desenhada com base no framework de Aceitação de Políticas Públicas Integrativa (IPAC).

• Codificação de Persona: Cada respondente é convertido em um agente de LLM via uma persona em linguagem natural. Estas personas codificam 57 atributos, incluindo:
  • Demografia (idade, gênero, educação, renda, estado federal).
  • Orientação política e preferência partidária.
  • Comportamento de mobilidade e experiência com combustíveis.
  • Atitudes relacionadas ao clima (preocupação, percepção de risco, confiança no governo).
• Inicialização: Os agentes são inicializados com sua resposta observada na pesquisa em relação ao apoio à eliminação dos motores ICE, servindo como a linha de base para atualizações subsequentes.

Framework de Simulação

A simulação opera em um mundo dinâmico onde os agentes atualizam suas preferências ao longo do tempo através de rodadas repetidas (16 rodadas, representando trimestres a partir do Q1 2025).

• Inputs Contextuais: Em cada rodada, os agentes recebem um prompt estruturado contendo sua persona, histórico de respostas anteriores, distribuições atuais de apoio nacional e estadual e, em cenários impulsionados por eventos, informações sobre eventos externos.
• Lógica de Decisão: Os agentes raciocinam sobre esses inputs para atualizar sua postura política, respondendo à pergunta: "Em uma eleição, em que grau você votaria em um partido que apoia tais políticas?" (Escala 1–6).
• Loop de Feedback: As respostas agregadas dos agentes atualizam as distribuições de apoio coletivo, que servem como o contexto social para a próxima rodada.
• Condições Experimentais: O estudo compara um cenário de baseline (sem choques exógenos) contra um cenário impulsionado por eventos (introduzindo dez eventos relevantes ao contexto com efeitos de apoio ou oposição).
• Configuração do Modelo: O estudo utiliza o GPT-4o mini da OpenAI com uma temperatura de 0 para minimizar a variação estocástica. Os experimentos variam a linguagem do prompt (alemão vs. inglês) e o estilo de resumo (ambiental vs. neutro).

Principais Contribuições

1. Desenvolvimento de Framework: Introdução de um framework de GABM fundamentado em pesquisas que traduz dados estruturados de pesquisas em agentes de LLM de linguagem natural, indo além das personas criadas manualmente.
2. Aplicação Empírica: Aplicação deste framework a uma questão política oportuna: o apoio público à eliminação de veículos ICE na Alemanha, alinhado com as metas de emissão líquida zero da UE.
3. Análise Dinâmica: Provisão de análise empírica sobre como agentes fundamentados em pesquisas respondem a contextos sociais em mudança e eventos externos, permitindo o exame de trajetórias temporais de apoio, alternância de preferências e heterogeneidade de perfis.

Resultados

Os resultados da simulação destacam dinâmicas significativas na formação de preferências:

• Dinâmicas de Baseline: Na ausência de choques externos, os agentes geralmente mostram um deslocamento ascendente no apoio, movendo-se de posições de nível médio para o nível mais alto de apoio (6). Isso sugere que o ambiente simulado cria um desvio ascendente inerente em vez de apenas preservar as distribuições iniciais.
• Sensibilidade ao Prompt: O framework é altamente sensível ao design do prompt:
  • Prompts em Alemão: Geram um movimento ascendente mais decisivo e convergência para o nível mais alto de apoio, particularmente sob resumos neutros.
  • Prompts em Inglês: Resultam em distribuições mais difusas, com as respostas espalhando-se por níveis intermediários (4–6) em vez de colapsarem para o nível máximo. Isso indica um ancoramento mais fraco e uma consolidação menos extrema.
• Dinâmicas Impulsionadas por Eventos: A introdução de eventos externos amplifica os efeitos da linguagem e do estilo do prompt.
  • Prompts em alemão com resumos ambientais continuam a impulsionar mudanças significativas em direção ao alto apoio.
  • Prompts em inglês e neutros distribuem a massa em categorias intermediárias, criando maior heterogeneidade na forma como os agentes atualizam suas preferências.
  • A volatilidade nos níveis de apoio é mais visível em cenários baseados em eventos, com prompts em inglês mostrando flutuações mais pronunciadas.
  • Notavelmente, o nível final de apoio no cenário baseado em prompts em inglês é ligeiramente superior ao do cenário baseado em prompts em alemão, apesar de os prompts em alemão impulsionarem uma convergência mais decisiva para o topo.
• Raciocínio Individual: Estudos de caso revelam que os agentes ajustam o raciocínio com base em uma interação complexa de valores pessoais, confiança no governo e percepção de justiça. Por exemplo, um agente pode manter o alto apoio baseado em valores climáticos, mas reduzir o apoio quando os eventos destacam preocupações de justiça distributiva para famílias de baixa renda.

Significância e Limitações

O artigo afirma que sua significância reside no avanço da ciência social computacional ao conectar problemas políticos com análise de aceitação social em um ambiente dinâmico. Demonstra que o design cuidadoso de personas permite a simulação realista da tomada de decisão, facilitando experimentos comportamentais que pesquisas estáticas não conseguem capturar.

No entanto, os autores mantêm uma postura modesta em relação às implicações:

• Dependência de Dados: A qualidade da simulação está vinculada aos dados de pesquisa subjacentes; erros de medição ou omissões são transferidos para as personas dos agentes.
• Simplificação: O framework simplifica a complexa tomada de decisão humana em prompts estruturados e escalas de resposta limitadas.
• Sensibilidade ao Prompt: Os resultados variam substancialmente com base na linguagem, estilo e sequência do prompt, exigindo uma interpretação cuidadosa dos resultados da simulação.
• Design de Eventos: Os eventos são desenhados manualmente e podem não capturar totalmente a imprevisibilidade dos desenvolvimentos políticos do mundo real.
• Limites de Interação: A configuração atual modela a atualização de preferências, mas não inclui interações sociais mais ricas, como comunicação direta entre pares ou estruturas de rede.
• Especificidade do Modelo: As descobertas são específicas para o GPT-4o mini com temperatura zero; diferentes modelos ou configurações estocásticas poderiam produzir resultados distintos.

Os autores concluem que esses outputs devem ser interpretados como simulações de dinâmicas de preferência e não como reflexos precisos do comportamento político futuro dos cidadãos reais, enfatizando o valor de analisar padrões comportamentais agregados em vez de explicações individuais.