Simulating Tenant Responses to Energy Policy Interventions with Transaction-Cost-Aware LLM Age

📄 arXiv: 2607.24341v1 📥 PDF

作者: Weijie Xia, Stefanie Horian, Hanyue Huang, Queena K. Qian, Jie Yang, Pedro P. Vergara Barrios

分类: cs.AI

发布日期: 2026-07-27

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于交易成本感知的LLM模型以模拟租户对能源政策的反应

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

关键词: 大型语言模型 政策模拟 感知交易成本 租户行为 能源政策 角色建模 机器学习 数据分析

📋 核心要点

  1. 现有的LLM模拟方法未能充分考虑影响政策反应的实际和认知摩擦，导致模拟结果的局限性。
  2. 论文提出了一种基于感知交易成本的角色建模方法，旨在更准确地反映租户对政策干预的反应。
  3. 实验结果显示，结合PTC的角色建模在不同模型设置下均显著提升了模拟性能，验证了该方法的有效性。

📝 摘要（中文）

近期研究利用大型语言模型（LLMs）通过人口统计、态度或角色描述来模拟人类意见和决策。然而，这些模拟很少考虑影响人们对政策干预反应的实际、认知或社会摩擦。感知交易成本（PTC）为建模这些摩擦提供了有用的视角。本文在能源高效装修（EER）背景下，提出了一种摩擦感知的角色建模方法。通过对来自荷兰1068名公民的调查数据进行分析，比较了不同模型的表现，结果表明，基于PTC的角色设计显著提升了模型性能，提供了制度政策理论与可解释的LLM政策模拟之间的有效桥梁。

🔬 方法详解

问题定义：本文旨在解决现有LLM模拟方法未能考虑的实际、认知和社会摩擦，特别是如何影响租户对能源政策的反应。现有方法往往忽视了感知交易成本的影响，导致模拟结果不够准确。

核心思路：论文提出了一种摩擦感知的角色建模方法，通过引入感知交易成本（PTC）来更全面地描述租户的决策过程。这种设计使得模型能够更好地反映租户在面对政策干预时的真实感受和反应。

技术框架：整体架构包括数据收集、角色建模、模型训练和性能评估四个主要模块。首先，通过调查收集租户的相关数据，然后基于PTC构建角色模型，接着对不同的LLM进行训练和微调，最后评估模型在政策模拟中的表现。

关键创新：最重要的技术创新在于引入了PTC作为角色建模的核心要素，使得模型能够更准确地捕捉租户在政策干预下的决策摩擦。这一创新与传统的基于人口统计的角色建模方法有本质区别。

关键设计：在模型训练中，采用了监督微调（SFT）和群体相对政策优化（GRPO）等技术，确保模型能够有效学习到PTC对决策的影响。同时，使用了GPT-3.5-turbo、Ministral-8B-Instruct和Llama-3.1-8B-Instruct等多种模型进行对比实验，以验证方法的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，结合PTC的角色建模在不同模型设置下均显著提升了模拟性能。在对比实验中，基于PTC的模型在多个指标上均优于仅使用传统人口统计特征的模型，验证了该方法的有效性和实用性。

🎯 应用场景

该研究的潜在应用领域包括政策制定、能源管理和社会科学研究。通过更准确地模拟租户对能源政策的反应，政策制定者可以更有效地设计和实施政策，提升政策的接受度和效果。未来，该方法也可扩展至其他领域的政策模拟。

📄 摘要（原文）

Recent studies use Large language models (LLMs) to simulate human opinions and decisions by prompting models with demographic, attitudinal, or persona-based descriptions. Yet such simulations rarely model the practical, cognitive, or social frictions that shape how people respond to policy interventions. Perceived transaction cost (PTC) provides a useful lens for modeling the practical frictions that shape policy responses, such as information burden, administrative effort, coordination demands, and perceived uncertainty. We use this lens to develop a friction-aware persona modeling approach for LLM-based simulation. In the context of energy-efficient renovation (EER), tenants are represented not only by who they are demographically, but by how they perceive the costs, benefits, barriers, and uncertainties associated with proposed renovation plans. Using survey data collected from 1,068 citizens in the Netherlands, comprising approximately 40,548 survey question and answer pairs, we compare prompt-only and fine-tuned settings across GPT-3.5-turbo, Ministral-8B-Instruct, and Llama-3.1-8B-Instruct, and evaluate supervised fine-tuning (SFT) and Group Relative Policy Optimization (GRPO) for local open-weight models. Results show that incorporating PTC-based personas and reasoning consistently improves model performance across both prompt-only and fine-tuned settings, suggesting that PTC-based persona design provides a useful bridge between institutional policy theory and interpretable LLM-based policy simulation. Code is available at https://github.com/xiaweijie1996/socialagent.