LLM 中角色模拟的自适应访谈：循证推理改善决策一致性

对于 大语言模型 (LLM) 来说，准确模拟特定个人的决策仍然具有挑战性，部分原因是角色信息通常以静态描述的形式提供，而忽略了个人层面决策模拟所需的价值观、经验和上下文线索。我们提出了一种自适应访谈框架，通过结构化的三阶段对话收集与人物角色相关的信息：核心问题、动态后续行动和综合性格摘要。使用生成的访谈记录，我们评估 LLM 是否可以模拟参与者在道德困境场景中的决策。我们比较了三种对话环境——Core-10 的回答、完整的访谈对话和总结的角色表征。我们发现，自适应访谈的功能与其说是一种统一的准确性助推器，不如说是一种选择性的基础机制：大约 40% 的完整访谈轨迹中包含了基于后续证据的证据，并且这些基于后续基础的预测比仅基于核心的预测更准确（45.5% vs. 39.3%）。这些发现强调，仅靠更丰富的角色背景是不够的：只有当模型实际上根据用户特定的证据做出决策时，才会出现改进。