🤖 AI

Guided Persona-based AI Surveys: Can we replicate personal mobility preferences at scale using LLMs?

原作者： Ioannis Tzachristas, Santhanakrishnan Narayanan, Constantinos Antoniou

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Ioannis Tzachristas, Santhanakrishnan Narayanan, Constantinos Antoniou

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

核心理念：AI 能否伪装成人类？

想象你是一位城市规划师，正试图弄清楚德国人喜欢如何出行。他们更倾向于步行、开车还是乘坐公交车？通常情况下，为了弄清这一点，你必须发放数千份纸质调查问卷，支付报酬请人们填写，并等待数月才能得到结果。这既昂贵又缓慢，而且有时人们会撒谎或忘记回答。

这篇论文提出了一个新问题：我们能否使用一个超级聪明的“计算机大脑”（称为大语言模型，或 LLM）来替我们编写这些调查问卷？ 我们不再询问真实的人，而是让 AI “扮演”一万个不同的人，并告诉我们他们会怎么做。

研究人员想要观察这种“虚假”数据是否看起来和表现起来都与“真实”数据完全一致。

旧方法的缺陷

将传统的调查比作试图通过让每一个人都站定并摆好姿势来绘制一幅人群肖像。这太耗时了。

论文指出，以往尝试利用 AI 来预测人类行为的做法有些笨拙。它们就像一个试图画出人群的孩子：他们能捕捉到大致轮廓（比如有老人和年轻人），但却忽略了细节（比如一个富有的青少年可能会开车，而一个贫穷的青少年可能会坐公交车）。AI 并不理解“谁是一个人”与“这个人的行为”之间的内在联系。

新方案：“人格设定”就像乐高积木

研究人员想出了一个聪明的教学方法。他们称之为**“引导式人格设定 AI 调查”**（Guided Persona-based AI Survey）。

想象你正在建造一座巨大的乐高城市。

旧方法： 你只是把一桶乐高积木倒在桌子上，然后祈祷它们看起来像一座城市。（这是“天真型/Naive”方法）。
更好的方法： 你先按颜色和形状对积木进行分类，然后再开始搭建。（这是“结构化/Structured”方法）。
获胜的方法（引导式人格设定）： 你先构建具体的、详细的角色。你通过拼接特定的乐高零件来创建一个“人格”（Persona）：
- 年龄： 30–39 岁
- 职业： 全职员工
- 财富： 高收入
- 家庭： 两个 6 岁以下的孩子
- 住房： 带车库的家庭住宅

一旦 AI 构建好了这个具体的“角色”（人格），你就可以问它：“如果你是这个特定的人，你会步行上班还是开车？”

因为 AI 理解了这个特定人物的“完整故事”，它给出的答案会更加真实。研究人员创建了超过 15,000 个这样独特的“人格”，以覆盖德国各种类型的人群。

测试：“金标准”

为了验证这种新方法是否有效，研究人员将他们生成的 AI 答案与一份名为 MiD 2017 的大规模真实调查进行了对比。你可以把 MiD 2017 想象成“金标准”或“标准答案”，它是通过实际询问真实的人类而产生的。

他们测试了向 AI 索取数据的六种不同方式：

天真型 AI (Naive AI)： “直接猜人们会做什么。”（结果：混乱且不准确）。
结构化 AI (Structured AI)： “确保老年人和年轻人的比例符合现实世界。”（结果：有所改善，但仍错失了细节）。
引导式 AI (Guided AI)： “确保数量匹配，且平均答案也符合现实情况。”（结果：不错，但不完美）。
天真型人格设定 (Naive Persona)： “创建特定的角色，但猜测每个角色有多少。”（结果：还可以，但角色组合不对）。
结构化人格设定 (Structured Persona)： “创建特定的角色并匹配现实世界的构成。”（结果：更好了一些）。
引导式人格设定 (Guided Persona - 最终获胜者)： “创建特定的角色，匹配现实世界的构成，并且确保答案符合现实世界的统计数据。”

结果：冠军诞生

结果非常明确。引导式人格设定 AI 调查是唯一真正精准的方法。

类比： 如果真实的调查是一张照片，那么“天真型”AI 方法看起来就像一张模糊的素描；而“引导式人格设定”方法看起来则是一张高清照片，完美到几乎让人无法分辨它是计算机生成的。
数据： 研究人员使用数学方法测量了 AI 答案与真实答案之间的“距离”。引导式人格设定方法的误差得分接近于零。它成功捕捉到了生活的复杂规则，例如拥有汽车往往同时取决于你的年龄、职业和家庭规模。

为什么这很重要（根据论文观点）

论文总结说，这种方法之所以成为游戏规则的改变者，主要基于三个原因：

隐私保护： 你可以在不接触任何真实姓名或地址的情况下研究人们的行为。你研究的是行为逻辑与真人一致的“虚拟”人物。
成本与速度： 生成一万个 AI 回复比雇佣人员填写纸质调查问卷要便宜得多，也快得多。
灵活性： 你可以询问 AI：“如果每个人突然都有钱了会怎样？”或者“如果每天都下雨会怎样？”并根据人类行为的规则获得即时答案，而无需等待现实中的实验发生。

简而言之： 研究人员证明了，如果你给 AI 一份详细的“角色卡”（人格设定），并告诉它真实的人类是如何表现的，它就能创造出一份完美的虚假调查，帮助科学家在无需麻烦真实人类的情况下理解真实世界。

技术摘要：引导式基于人格特征的 AI 调查

问题陈述

传统的交通系统和社会科学研究调查方法面临着显著的障碍，包括高昂的操作成本、数据收集效率低下以及可扩展性有限。虽然现有的合成数据生成技术主要集中在人口统计模拟或插补方面，但它们往往无法捕捉社会人口属性（如年龄、教育、经济地位）与特定行为偏好（如移动选择）之间复杂的依赖关系。因此，这些方法难以在没有显式预定义的情况下复制复杂的现实世界相关性，从而限制了其在高保真场景规划中的应用价值。

研究方法

本研究提出了一种创新的**引导式基于人格特征的 AI 调查（Guided Persona-based AI Survey）**方法论，用于生成合成移动数据。该方法利用大语言模型（LLM），特别是 GPT-4o API，来创建与现实世界基准对齐的人造调查响应。

1. 数据集与基准测试
研究利用 MiD 2017（2017 年德国移动性调查）数据集作为地面真值（ground truth）。这一全面的国家级调查包含了详细的人口分布、交通模式和出行频率。研究对数据集进行了归一化处理，将“未说明”的响应合并到最热门的类别中，以确保一致性。

2. 人格特征（Persona）定义
“人格特征”被正式定义为一个元组 $P(A, E, M, S, H)$ ，代表五个属性的唯一组合：

年龄组 ( $A$ )
教育水平 ( $E$ )
主要活动 ( $M$ )
经济地位 ( $S$ )
家庭类型 ( $H$ )

特定人格特征的总体百分比 ( $\pi_P$ ) 是通过条件概率计算得出的，以尊重属性之间的相互依赖关系（例如，给定年龄、教育和活动时，特定经济地位的概率）。

3. 对比框架
研究针对 MiD 2017 基准，评估了六种不同的调查生成方法：

朴素 AI 调查（Naive AI Survey）： 基于通用知识生成人口，不与现实世界基准对齐。
结构化 AI 调查（Structured AI Survey）： 使合成人口结构与 MiD 2017 人口统计数据对齐，但不显式对齐响应分布。
引导式 AI 调查（Guided AI Survey）： 在人口结构和响应平均值上均增加了约束，使其与 MiD 2017 统计数据对齐。
朴素基于人格特征的 AI 调查（Naive Persona-based AI Survey）： 定义所有可能的属性组合（人格特征），并使用通用知识模拟响应。
结构化基于人格特征的 AI 调查（Structured Persona-based AI Survey）： 使人格特征密度与 MiD 2017 人口统计数据对齐。
引导式基于人格特征的 AI 调查（Guided Persona-based AI Survey）： 在结构化人格特征方法的基础上，将 MiD 2017 的预期响应统计数据纳入 LLM 提示词中。

提示词针对每种方法进行了定制，范围从一般性指令到高级指令，后者明确指示 LLM 根据基准数据保持属性之间现实的相关性。

核心贡献

新颖的方法论： 引入了“引导式基于人格特征”方法，该方法系统地整合了社会人口属性和行为属性来生成合成响应，这是一种此前未应用于出行调查的技术。
可扩展的合成数据： 展示了一种具有成本效益且保护隐私的替代方案，可以生成大规模数据集（例如 15,840 个独特的人格特征），涵盖多样化的场景。
捕捉复杂依赖关系： 研究表明，当 LLM 受到特定人格特征和现实世界约束的引导时，能够有效地模拟人口统计因素与移动偏好之间的非线性依赖关系，克服了传统插补技术的局限性。

结果

通过统计对齐指标对各方法的性能进行了评估，包括平均绝对误差（MAE）、均方根误差（RMSE）、Jensen-Shannon（JS）距离、熵、条件熵和 Cramér's V。

引导式基于人格特征 AI 的卓越表现： 该方法实现了与真实调查数据近乎完美的对齐，记录了极低的 MAE (0.03)、RMSE (0.17) 和 JS 距离 (0.0016)。它实现了 1.00 的 Cramér's V，表明与真实数据相比，变量之间的关联强度达到了完美水平。
引导式 AI 调查的表现： 该方法同样表现稳健（MAE: 3.37, RMSE: 4.65），但精确度低于基于人格特征的变体，这表明显式的人格特征结构增强了准确性。
其他方法的局限性： 朴素和结构化 AI 调查（两者均为非人格特征或未经过引导的人格特征版本）表现出显著更高的误差指标（例如，朴素 AI 调查 MAE 为 10.53），并且难以捕捉复杂的人口统计-响应关系。结构化基于人格特征的方法显示出中等性能，但缺乏引导式方法的精确度。

意义与主张

论文声称，引导式基于人格特征的 AI 调查代表了调查方法论的一次变革性进步。通过结合人口统计对齐与响应约束，它能够创建高保真、可扩展、具有成本效益且保护隐私的合成数据集。

作者断言，这种方法为交通规划和社会科学研究提供了宝贵机会，使研究人员能够：

在不接触敏感个人数据的情况下分析人口层面的趋势。
模拟“假设”场景并探索原始调查中不存在的假设性问题。
生成能够准确反映人口统计属性与出行行为之间复杂相互依赖关系的数据。

研究结论指出，虽然 LLM 在合成数据生成方面提供了强大的能力，但将“人格特征”与“引导式”约束相结合，对于实现匹配观测到的现实世界模式的高保真结果至关重要。建议未来的工作探索混合模型以提高计算效率，并将应用扩展到其他交通模式和数据集。