Forschung
Ein Foundation Model zur Messung und Vorhersage menschlichen Verhaltens
Large Language Models (LLMs) werden zunehmend eingesetzt, um psychologische Merkmale abzuleiten, individuelles Verhalten vorherzusagen und menschliche Populationen zu simulieren.
- arXiv
- 2611.24830
- Veröffentlicht
- 2026-11-18
- Autoren
- Haoran Ye, Tianrui Huo, Hangzhen Li, Xin Zhang, Guojie Song
Abstract der Autoren
Large Language Models (LLMs) werden zunehmend eingesetzt, um psychologische Merkmale abzuleiten, individuelles Verhalten vorherzusagen und menschliche Populationen zu simulieren. Obwohl sie plausible Antworten generieren, stellen sie Einzelpersonen oft falsch dar und verzerren Statistiken über Populationen. Hier stellen wir Chiron vor, ein Foundation Model zur Messung und Vorhersage menschlichen Verhaltens. Wir führen ein gemeinsames Fine-Tuning eines LLM durch, damit es psychologische Konstrukte abbildet, individuelles Verhalten vorhersagt und Antwortverteilungen auf Bevölkerungsebene mit menschlichen Statistiken in Einklang bringt. Die Trainings- und Evaluierungsdaten umfassen 36 Verhaltensbereiche und 78 sozialwissenschaftliche Experimente mit 288.307 Personen-Datensätzen, 1.411.750 einzelnen Verhaltensentscheidungen und 99.953 psychometrischen Erhebungen zu 109 psychologischen Konstrukten. In unseren Evaluierungen stimmen Chirons psychologische Messungen stärker mit Selbstauskünften von Menschen überein und weisen weniger Verzerrungen auf, die die psychometrische Validität beeinträchtigen. Chiron sagt individuelles Verhalten genauer voraus als Frontier-LLMs (relative Verbesserung von bis zu 28,4 %). Bei Simulationen sozialwissenschaftlicher Experimente erfasst Chiron Richtung und Ausmaß experimenteller Effekte bei Menschen genauer (82,2 bis 94,3 % geringere Fehler bei der Schätzung von Effektstärken). Zusammengenommen etablieren diese Ergebnisse Chiron als einheitliches computergestütztes Instrument zur Messung und Vorhersage menschlichen Verhaltens.
Die Zusammenfassung dieses Papers gibt es nur auf Englisch: auf der englischen Seite lesen.
Das Originalpaper auf arXiv lesen