کاربست مدل های زبانی بزرگ (LLMs) به عنوان عامل های اجتماعی مجازی برای شبیه سازی و پیش بینی واکنش های عمومی به سیاست گذاری ها

در این پژوهش، یک روش کاربردی مبتنی بر مدل های زبانی بزرگ (LLMs) برای شبیه سازی رفتار جامعه در برابر سیاست های کلان معرفی شده است. به جای استفاده از نظرسنجی های میدانی زمان بر و پرهزینه، از هوش مصنوعی برای ساخت «شخصیت های مجازی» استفاده می شود که هر کدام نماینده قشر خاصی از جامعه با شرایط اقتصادی متفاوت هستند. با استفاده از روش مدل سازی عامل محور (Agent-Based Modeling) و تکنیک پرامپت نویسی دسته ای (Batch Prompting)، ابتدا شرایط اولیه جامعه بر اساس واقعیت تنظیم شد و سپس واکنش ها و رفتار نوظهور این افراد در برابر افزایش قیمت ها بررسی گردید. برای ارزیابی دقت این مدل، طرح واقعی «تعرفه گذاری پلکانی برق خانگی در ایران» شبیه سازی شد و نتایج آن با داده های واقعی مقایسه گردید. نتایج نشان می دهد هوش مصنوعی توانست اثر خالص قیمت را به دور از سایر متغیرهای محیطی با موفقیت بررسی کند و رفتار افراد کم مصرف را کاملا درست پیش بینی نماید. اما در شبیه سازی گروه پرمصرف، مدل دچار خطای «سوگیری عقلانیت کامل» شد؛ یعنی مقاومت روانی افراد برای تغییر عادت های روزمره را نادیده گرفت و کاهش مصرف را بیشتر از مقدار واقعی پیش بینی کرد. در نهایت، این روش می تواند به عنوان یک آزمایشگاه امن به سیاست گذاران کمک کند تا پیش از اجرای قوانین جدید، واکنش دهک های مختلف جامعه را به شکلی دقیق و کم هزینه بررسی کنند.

کلیدواژه ها:

مدل های زبانی بزرگ ، شبیه سازی اجتماعی ، عامل های مجازی ، پیش بینی رفتار.