🤖 AI

Virtual Personas for Language Models via an Anthology of Backstories

本文介绍了“选集”（Anthology）方法，该方法通过开放式的生平叙事（背景故事）对大型语言模型进行条件设定以创建虚拟人格，并在三项具有全国代表性的调查中证明了其在匹配人类响应分布和实验一致性方面的显著改进。

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

发布于 2026-05-12

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你拥有一个巨大且超级聪明的机器人，它几乎阅读了互联网上 ever 写过的每一本书、每一篇文章和每一篇博客。因为它从如此多不同的人那里阅读了如此多的内容，这个机器人的大脑中实际上容纳了数百万不同人类的“声音”。

然而，存在一个问题。当我们通常与这些机器人（如 ChatGPT）交谈时，我们训练它们变得乐于助人、礼貌且中立。这就像把来自各行各业的许多人——愤怒的诗人、害羞的会计、兴奋的青少年、脾气暴躁的退休人员——聚集在一个房间里，然后强迫他们都穿上同样无聊的灰色西装，用单调的声音说话。他们失去了独特的个性。

这篇论文介绍了一种名为“选集”（Anthology）的新方法来解决这个问题。以下是其工作原理，分解为简单的步骤：

1. 问题：“灰色西装”效应

大多数研究人员试图通过给机器人一份事实清单，让它扮演特定的人，例如：“你是一个 35 岁的男人，名叫鲍勃，喜欢钓鱼。”
论文认为，这就像给演员一个只写着“要悲伤”的剧本。机器人并没有真正感受到悲伤；它只是猜测一个悲伤的人可能会说什么。它显得僵硬且经常出错。

2. 解决方案：“人生故事”（背景故事）

研究人员不是提供事实清单，而是给机器人一个背景故事。这是一个用第一人称写的长篇开放式故事，就像日记条目或回忆录。

类比：想象你想让一位演员扮演一个角色。与其递给他们一份写着“年龄：40 岁，职业：教师”的简历，不如递给他们一封他们自己写的 10 页长的信，信中讲述了他们的童年、离婚、对爵士乐的热爱以及对 heights 的恐惧。
结果：当机器人阅读这个故事时，它不仅仅是“知道”这些事实；它成为了这个角色。故事自然地包含了他们的年龄、背景和个性，而无需机器人去猜测。

3. 他们如何创作这些故事（“选集”）

研究人员没有请真人来写这些故事（那将耗时太久）。相反，他们让机器人自己撰写了成千上万个人生故事。

他们问机器人：“告诉我关于你自己的事。”
机器人生成了成千上万个独特、详细的人生故事，创建了一个庞大的虚拟人物库（即选集）。其中有些富有，有些贫穷，有些年轻，有些年长，有些来自城市，有些来自乡村。

4. “匹配”游戏

现在他们拥有了一个虚拟人物库，但需要挑选出合适的人来匹配真实的人群（例如全国调查）。

类比：想象你在为一部戏剧选角，你需要一个观众群体，其构成与纽约市的人口完全一致。你有一个巨大的房间，里面挤满了演员（即选集）。你不会随机挑选他们。你会检查他们的“人口统计数据”（年龄、种族、收入），并使用一个智能匹配系统，将目标群体中的每个真实人物与最符合他们的虚拟演员配对。
该论文使用了两种方法来进行这种匹配：一种是“贪婪”方法（立即为每个人挑选最佳匹配），另一种是“最大权重”方法（为整个群体找到完美的整体平衡）。

5. 测试：它奏效了吗？

研究人员通过让这些虚拟人物参与真实人类曾参与过的真实调查（涉及食物、政治和人工智能等主题）来测试这种方法。

结果：与旧方法相比，使用“背景故事”方法创建的虚拟人物在回答调查时更像真实人类。
数据：他们将匹配人类回答的准确率提高了高达18%，并使回答的一致性提高了27%。
额外好处：这种方法对于通常难以代表或研究的群体（如特定的少数群体）尤其有效，因为机器人可以像为其他人一样轻松地为他们生成故事。

为什么这很重要（根据论文）

作者表示，这不仅仅是关于用机器人取代真人。相反，这就像给科学家提供了一种新的、强大的工具。

安全性：你可以在这些虚拟人物身上测试想法，而无需对真实人类造成伤害。
速度与成本：你可以在几秒钟内免费向 10,000 个虚拟人物提问，而采访 10,000 个真人则耗资巨大且需要数月时间。
多样性：你可以创建一个虚拟人群，完美地代表特定的人口群体，确保没有任何群体被排除在对话之外。

论文中的重要提示：
作者警告说，只有使用机器人的“原始”版本（即在被教导变得礼貌和乐于助人之前的版本），这种方法才有效。如果你使用“礼貌”版本（即我们通常与之聊天的那个版本），它会拒绝扮演一个脾气暴躁或复杂的人类，导致方法失败。他们还警告说，虽然这是一个很好的研究工具，但我们必须小心，不要利用这些假人来欺骗真人或传播虚假信息。

简而言之：选集（Anthology）是一种赋予人工智能丰富、详细人生故事的方法，使其不再听起来像机器人，而是开始像一个真实、多元的人类。

技术摘要：通过背景故事集构建语言模型的虚拟人格

问题陈述
大型语言模型（LLM）是在包含数亿作者多样化声音的庞大语料库上训练的。然而，LLM 的标准应用，特别是涉及指令微调（如 RLHF）的应用，会抑制这种固有的多样性，从而产生单一、乐于助人且基本无情感的代理声音。这种“对齐”使得 LLM 难以作为行为研究中人类受试者的代理，因为在这些研究中，代表广泛的人类特征、人口统计数据和观点至关重要。现有的将 LLM 条件化为特定人格的方法——例如提供自由文本传记或一系列人口统计问答对——在实现高代表性、一致性和多样性方面成效有限，特别是在针对代表性不足的亚群体时。此外，经过指令微调的模型往往无法生成真实、细致的背景故事，而是产生简短、回避或过于积极的回答，缺乏人类叙事的复杂性。

方法论：集（Anthology）方法
作者提出了“集（Anthology）”方法，这是一种利用开放式人生叙事（称为“背景故事”）将 LLM 条件化为多样化、一致且具有代表性的虚拟人格的方法。该方法包含四个主要阶段：

LLM 生成的背景故事：作者不依赖有限的现有自传数据集，而是使用预训练（非指令微调）的 LLM 来生成海量的背景故事“集”。通过用“告诉我关于你的事”等开放式问题提示模型，他们生成了自然主义的、第一人称的叙事，这些叙事隐式地编码了人口统计细节（年龄、地点、财务状况）和显式特征（价值观、性格、信念）。作者强调，预训练模型在此至关重要，因为指令微调的模型倾向于产生通用、安全且不一致的叙事。
虚拟人格的人口统计调查：由于背景故事并未明确说明所有人口统计变量，作者对每个生成的人格进行“人口统计调查”。他们用标准的人口统计问题（如年龄、教育程度、收入）提示经过背景故事条件化的模型，并采样多个回答，以估算该特定虚拟受试者的特征概率分布。
匹配目标人类群体：为了近似特定的人类研究，作者将虚拟人格与目标人类群体的人口统计分布进行匹配。他们将此建模为人类用户（ $H$ $H$ ）与虚拟用户（ $V$ $V$ ）之间的二分图匹配问题。边权重基于虚拟用户的人口统计分布与人类用户特征匹配的可能性计算得出。探讨了两种策略：
- 贪婪匹配：将每个人类用户分配给具有最高相似性权重的虚拟人格，允许多个人类映射到同一个虚拟人格。
- 最大权重匹配：使用匈牙利算法寻找最优的一对一映射，以最大化总权重。
近似人类研究：匹配后的背景故事子集被用作 LLM 回答调查问题时的上下文（前缀）。该研究通过按顺序呈现问题并将之前的回答作为上下文，模拟了人类受访者的思维过程。

主要贡献

集（Anthology）框架：引入了一种生成和利用 LLM 生成的背景故事“集”来条件化模型的方法，证明该方法比基线方法（Bio 和 QA）能产生更具代表性和一致性的虚拟人格。
人口统计匹配：一种形式化的方法，用于采样并将虚拟人格与目标人类群体分布进行匹配，显著改善了对人类响应分布的近似。
开源资源：发布了包含约 10,000 个背景故事的开源集，以及用于生成、处理和实施调查的相关代码。
模型选择洞察：证明了预训练模型在此任务上优于指令微调模型，因为后者已收敛为单一的、同质化的人格，缺乏行为模拟所需的多样性。

实验结果
该方法在皮尤研究中心美国趋势小组（ATP Waves 34、92 和 99）的三项具有全国代表性的调查上进行了验证，涵盖从生物医学问题到政治类型学和人工智能等主题。

代表性：与基线方法相比，集（Anthology）在匹配人类响应分布方面实现了高达18% 的改进（通过 Wasserstein 距离衡量）。
一致性：该方法在一致性指标上显示出高达27% 的改进（通过相关矩阵的 Frobenius 范数和克隆巴赫系数衡量），表明虚拟人格在不同的调查问题中保持了连贯的内部逻辑。
多样性：集（Anthology）在多样化的人口统计亚群体（种族、年龄、教育、性别）中均优于基线。值得注意的是，它在代表性不足的群体中实现了最低的 Wasserstein 距离，尽管作者指出，对于老年群体（65 岁以上），匹配准确率有所下降，这可能是由于模型对较年轻人口统计数据的固有偏差。
匹配策略：就 Wasserstein 距离而言，贪婪匹配通常优于最大权重匹配，这可能是因为后者的“一对一”约束在有限的虚拟用户池中迫使了次优配对。

意义与主张
该论文认为，集（Anthology）提供了一种研究人类行为的新工具，不同于对人类研究的简单替代。通过利用预训练模型的“上游”多样性和开放式叙事，该方法允许研究人员：

以一小部分成本和时间的代价模拟大规模人类研究。
以可扩展的方式接触难以触及或代表性不足的人群（如无家可归者、被监禁者或不合作的受试者）。
进行“可审查”的研究，其中受试者可以用自然语言被询问其推理过程。

作者保持谦逊的立场，承认虽然集（Anthology）提高了虚拟受试者的保真度，但它尚未完全复制复杂的人类行为，如长期态度改变或内群体/外群体偏见。他们强调了高保真人格可能被滥用于社会工程或虚假信息方面的伦理担忧，并强调训练数据中代表性不足群体密度较低仍然是完美模拟的挑战。最终，这项工作表明，精心设计的虚拟人格可以作为人类研究的宝贵补充，提供一种可扩展的工具，用于探索嵌入在语言模型中的“人类特征的巨大多样性”。