MetaPersona：来自经验社会科学的基于任务的综合群体

用于种子 LLM 社会模拟的角色面临冷启动问题：现有方法缺乏决定要包含哪些属性以及如何分配其值的原则基础。因此，合成群体可能会歪曲影响下游行为的人口组成、潜在属性和依赖结构。我们引入了 MetaPersona-DB，这是一个包含 11,000 多项人类受试者实证研究的数据集，其中注释有任务相关变量、报告的关系和总体水平的人口统计数据。在此资源的基础上，我们提出了 MetaPersona，一个框架，用于检索与任务相关的证据，构建源自文献的人物角色依赖图，并从连接人口统计、潜在属性和结果的经验先验中对合成人群进行采样。在三个下游案例研究、三个基线和三个前沿模型中，结果因任务和模型而异：MetaPersona 在错误信息信念和人工智能工具情绪方面表现强劲，而收入再分配的结果好坏参半。它还使用 GPT-5.2 将每个任务的角色构建成本降低到 0.5 美元以下。最后，我们提出 MetaPersona-Studio，一个用于基于经验的角色生成的原型交互界面。