이 연구는 LLMs가 대량의 텍스트 코퍼스로 훈련될 때 어떤 의미를 갖게 되는지 탐구한다. 최근의 연구에 따르면, LLMs는 텍스트 컨텍스트를 제공받으면 해당 컨텍스트를 생성할 만한 특성을 가진 에이전트 모델로 간주될 수 있다. 이를 통해 적절한 조건부 설정을 통해 LLMs가 특정 인간 음성의 응답을 근사화할 수 있다는 것을 시사한다. 이러한 능력을 실현하면, LLMs의 이러한 능력은 사용자 연구와 사회과학에 중요한 영향을 미칠 수 있으며, 조건부 언어 모델을 인간 주체의 ‘가상 인물’로 사용함으로써 비용 효율적인 시범 연구와 인간 연구의 최선의 실천을 지원할 수 있다. 본 연구에서는 LLMs를 다양하고 일관된 가상 인물로 유도하기 위해 개인의 풍부한 인생 서술을 제공함으로써 ‘Anthology’라는 접근법을 소개한다. 이를 통해, LLMs에서 백스토리를 생성하는 방법을 제시하고, 넓은 인간 인구 통계의 다양한 범위를 다룰 수 있는 방법을 소개한다. 이를 통해, Anthology는 LLMs를 자연스러운 백스토리에 뿌리박힌 개인의 인간 샘플을 더 높은 충실도로 시뮬레이트할 수 있게 하며, 이는 인간 응답의 분포와 일관성을 일치시키는 측면에서 측정된다. 가상 인물을 만드는 이 접근법은 다양한 백스토리의 확장과 더 많은 다양성을 고려하는 것을 향한 미래의 발전 가능성을 염두에 두고 있다. 또한, 자유 형식의 응답 생성을 고려하는 것이 중요하며, 이를 통해 다중 선택과 같은 구조화된 설문 형식을 넘어 보다 자연스럽고 세밀한 가상 캐릭터 시뮬레이션을 가능하게 할 수 있다. 마지막으로, 행동 연구에서 LLMs를 적용하는 다음 차원은 장기적인 영향을 시뮬레이션하여 시간이 흐름에 따른 변화를 모델링하고 회고하는 것이다. 이러한 방향들은 기술적으로 다양한 도전을 제공하며, 협력에 관심이 있는 경우나 작업에 대해 논의하고 싶은 경우 연락 주시기 바랍니다! 더 많은 정보 보기: [전체 논문 링크](https://arxiv.org/abs/2407.06576)

<The Berkeley Artificial Intelligence Research 뉴스 본문 전체읽기>