传统AI Agent依赖手动设定，难以模拟真实人类行为的复杂性。一项新研究提出了一种创新方法，通过对1052名真实个体进行深度访谈，结合大语言模型，构建出能高度复现个体态度与行为的AI Agent。该方法在准确性、公平性上均优于传统模型，为计算社会科学研究提供了强大工具。
智能速览
新型Agent架构利用深度访谈数据模拟个体态度与行为。
该方法在行为模拟准确性上显著优于人口统计型和人物画像型Agent。
基于访谈的Agent能精准复现社会科学实验的群体处理效应。
此方法有效降低了AI模型在政治理念和种族维度的刻板印象。
深度访谈是捕捉个体特质和身份信息的优质数据来源。
精华内容
传统AI Agent依赖手动设定，适用场景狭窄，难以捕捉人性的复杂。而一项新研究探索了深度访谈与大语言模型结合的潜力，试图构建能精准复现真实个体的Agent。
核心方法构建
该研究提出了一种新型Agent架构，核心在于利用深度访谈数据。研究团队采用分层抽样，招募了1052名能代表美国人口特征的被试。每位被试都接受了由AI访谈者主导的、长达2小时的半结构化语音访谈，访谈内容被转录为文本。随后，研究将这些富含个人信息的访谈转录文本注入大语言模型的提示词中，用以模拟对应个体的态度与行为。为了验证效果，研究还构建了依赖人口统计信息、人物画像和综合调查数据的三种基线Agent作为对照组。
准确性验证结果
实验结果清晰地表明，基于深度访谈数据构建的Agent表现最为出色。在模拟个体态度方面，该模型在GSS（综合社会调查）测试中的准确率显著高于其他所有基线模型。在模拟人格特质方面，其Big Five人格测试的平均绝对误差（MAE）最低，相关系数更高。此外，Agent在行为经济游戏中的表现也与真实个体高度一致。研究还发现，这些Agent能精准复现社会科学实验的群体层面处理效应，其准确性已接近人类个体自身跨时间测试的一致性水平。
降低刻板印象
一个关键的发现是，基于访谈的Agent在减少AI偏见方面效果显著。生成式AI在模拟时容易陷入基于人口统计的刻板印象。研究通过人口统计公平性差异（DPD）指标衡量发现，无论是在政治理念还是种族维度上，基于深度访谈的Agent其表现偏差均远低于依赖人口统计信息或简笔画式人物画像的Agent。这证明深度访谈数据能提供超越标签的、更丰富的个体背景信息，从而有效对抗模型的偏见。
数据独特价值
为何深度访谈如此有效？研究指出，其价值远不止于捕捉语言风格。相较于传统的人口统计描述、人物简档或调查量表，两小时的深度访谈能更高效且独特地捕捉个体的深层特质、生活经历和身份认同。这种数据包含的丰富情境知识和个人经历，是构建高保真Agent的关键。其强大的预测效力并非仅依赖于表面的语言线索，而是源于对个体世界观的深度挖掘，使其成为构建AI Agent的优质数据来源。
