LLM驱动的社会数字孪生：模拟人口对政策干预行为响应的框架

预测人口如何响应政策干预是计算社会科学与公共政策中的一项根本挑战。传统方法依赖捕捉历史相关性的聚合统计模型，缺乏机制层面的可解释性，且难以应对新颖的政策情景。我们提出一个构建社会数字孪生（Social Digital Twins）的通用框架——即以大语言模型（LLM）充当个体Agent认知引擎的虚拟人口副本。每个Agent由人口统计与心理特征属性刻画，接收政策信号并输出多维行为概率向量。校准层将聚合后的Agent响应映射为可观测的人口级指标，从而支持对照真实数据进行验证，并部署用于反事实政策分析。我们将该框架实例化于疫情应对领域，以观测数据丰富的COVID-19为案例研究。在一个留出测试期上，经过校准的数字孪生在六个行为类别上的宏平均预测误差较梯度提升基线改善20.7%。反事实实验表明模型对政策变化呈单调且有界的响应，确立了行为上的合理性。该框架与领域无关：同一架构适用于交通政策、经济干预、环境监管或任何政策影响人口行为的场景。我们讨论了对政策仿真的启示、该方法的局限，以及将基于LLM的数字孪生扩展到疫情应对之外的方向。