用交易成本感知LLM智能体模拟租户对能源政策干预的响应

近期研究通过以人口统计、态度或角色设定描述来提示模型，使用大语言模型（LLM）模拟人类观点与决策。然而这类模拟很少对塑造人们回应政策干预方式的实践性、认知性或社会性摩擦建模。感知交易成本（Perceived Transaction Cost, PTC）为建模塑造政策回应的实践性摩擦提供了有用的视角，如信息负担、行政努力、协调需求与感知不确定性。我们借助这一视角为基于LLM的模拟开发了摩擦感知的角色建模方法。在建筑节能改造（EER）情境下，租户不仅由其人口统计特征刻画，还由其对拟议改造方案相关成本、收益、障碍与不确定性的感知来刻画。使用从荷兰1,068名公民收集、包含约40,548对问卷问答的调查数据，我们在GPT-3.5-turbo、Ministral-8B-Instruct和Llama-3.1-8B-Instruct上比较纯提示与微调设置，并对本地开源权重模型评估监督微调（SFT）与群体相对策略优化（Group Relative Policy Optimization, GRPO）。结果表明，引入基于PTC的角色与推理在纯提示与微调两种设置下都一致提升模型性能，说明基于PTC的角色设计在制度政策理论与可解释的基于LLM的政策模拟之间提供了有用的桥梁。代码见 https://github.com/xiaweijie1996/socialagent。