LLMs Model Non-WEIRD Populations: Experiments with Synthetic Cultural Agents

📄 arXiv: 2501.06834v1 📥 PDF

作者: Augusto Gonzalez-Bonorino, Monica Capra, Emilio Pantoja

分类: cs.AI, cs.CL, econ.GN

发布日期: 2025-01-12

💡 一句话要点

利用大型语言模型构建合成文化代理，模拟非西方人群经济行为

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 合成文化代理 跨文化经济学 行为实验 经济决策

📋 核心要点

  1. 研究非西方人群经济行为面临数据获取和伦理挑战，现有方法难以有效模拟其复杂性。
  2. 利用大型语言模型生成合成文化代理，模拟不同文化背景下人群的经济决策行为。
  3. 实验结果表明，合成代理的行为与真实人群相似，并能为未研究人群生成可验证的假设。

📝 摘要（中文）

研究非西方（WEIRD，即西方、受过教育、工业化、富裕和民主）人群的经济行为具有重要意义，但也面临诸多挑战。本文提出了一种新颖的方法，利用大型语言模型（LLMs）创建代表这些人群的合成文化代理（SCAs）。我们将这些SCAs应用于经典的经济行为实验，包括独裁者博弈和最后通牒博弈。结果表明，实验行为存在显著的跨文化差异。值得注意的是，对于有可用数据的人群，SCAs的行为在质量上与真实人类受试者的行为相似。对于未研究的人群，该方法可以生成关于经济行为的新颖且可验证的假设。通过将人工智能整合到实验经济学中，这种方法为难以接触到的人群提供了一种有效且合乎伦理的实验方法，并能改进实验方案。本研究为跨文化经济研究提供了一种新工具，并展示了LLMs如何帮助实验行为研究。

🔬 方法详解

问题定义：研究的目的是解决在跨文化经济学研究中，难以获取非西方人群的行为数据，以及现有方法难以有效模拟其文化差异的问题。现有方法通常依赖于小样本的实地调查，成本高昂且存在伦理风险，难以推广到未研究的人群。

核心思路：核心思路是利用大型语言模型（LLMs）的强大生成能力，构建能够模拟不同文化背景下个体行为的合成文化代理（SCAs）。通过赋予这些代理特定的文化背景和价值观，使其在经济决策中表现出与真实人群相似的行为模式。

技术框架：整体框架包括以下几个主要阶段：1) 利用LLMs生成具有特定文化背景的SCAs；2) 将SCAs置于经典的经济行为实验（如独裁者博弈和最后通牒博弈）中；3) 收集SCAs的决策数据；4) 分析SCAs的行为模式，并与真实人群的行为数据进行比较，验证模型的有效性。

关键创新：最重要的创新点在于将LLMs应用于创建合成文化代理，从而能够模拟不同文化背景下人群的经济行为。与传统的基于规则或统计模型的代理相比，LLMs能够更好地捕捉文化差异的复杂性和细微之处，生成更逼真的行为模式。

关键设计：关键设计包括：1) 如何利用LLMs生成具有特定文化背景的SCAs，例如通过prompt engineering，引导LLMs生成符合特定文化价值观的文本；2) 如何设计经济行为实验，以充分揭示SCAs的行为模式；3) 如何评估SCAs行为的真实性，例如通过与真实人群的行为数据进行比较，或者通过专家评估。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，对于有可用数据的人群，SCAs的行为在质量上与真实人类受试者的行为相似。例如，在独裁者博弈中，SCAs的捐赠比例与真实人群的捐赠比例具有相似的分布。此外，对于未研究的人群，该方法能够生成关于经济行为的新颖且可验证的假设，为未来的实地研究提供指导。

🎯 应用场景

该研究成果可应用于跨文化经济学研究、政策制定和社会模拟等领域。例如，可以利用该方法预测不同文化背景下人群对政策的反应，评估政策的潜在影响。此外，该方法还可以用于设计更公平、更有效的经济制度，促进跨文化交流和理解。未来，该技术有望扩展到其他社会科学领域，例如心理学、社会学和政治学。

📄 摘要（原文）

Despite its importance, studying economic behavior across diverse, non-WEIRD (Western, Educated, Industrialized, Rich, and Democratic) populations presents significant challenges. We address this issue by introducing a novel methodology that uses Large Language Models (LLMs) to create synthetic cultural agents (SCAs) representing these populations. We subject these SCAs to classic behavioral experiments, including the dictator and ultimatum games. Our results demonstrate substantial cross-cultural variability in experimental behavior. Notably, for populations with available data, SCAs' behaviors qualitatively resemble those of real human subjects. For unstudied populations, our method can generate novel, testable hypotheses about economic behavior. By integrating AI into experimental economics, this approach offers an effective and ethical method to pilot experiments and refine protocols for hard-to-reach populations. Our study provides a new tool for cross-cultural economic studies and demonstrates how LLMs can help experimental behavioral research.