SocioVerse: Een Wereldmodel voor Sociale Simulatie Aangedreven door LLM-Agenten en een Pool van 10 Miljoen Gebruikers uit de Echte Wereld

SocioVerse: A World Model for Social Simulation Powered by LLM Agents and A Pool of 10 Million Real-World Users

April 14, 2025

Auteurs: Xinnong Zhang, Jiayu Lin, Xinyi Mou, Shiyue Yang, Xiawei Liu, Libo Sun, Hanjia Lyu, Yihang Yang, Weihong Qi, Yue Chen, Guanying Li, Ling Yan, Yao Hu, Siming Chen, Yu Wang, Jingxuan Huang, Jiebo Luo, Shiping Tang, Libo Wu, Baohua Zhou, Zhongyu Wei

cs.AI

Samenvatting

Sociale simulatie transformeert traditioneel sociaalwetenschappelijk onderzoek door menselijk gedrag te modelleren via interacties tussen virtuele individuen en hun omgeving. Met recente vooruitgang in grote taalmodellen (LLM's) heeft deze aanpak een groeiend potentieel getoond in het vastleggen van individuele verschillen en het voorspellen van groepsgedrag. Bestaande methoden kampen echter met uitdagingen op het gebied van afstemming, gerelateerd aan de omgeving, doelgebruikers, interactiemechanismen en gedragspatronen. Daarom introduceren wij SocioVerse, een LLM-agent-gestuurd wereldmodel voor sociale simulatie. Ons framework beschikt over vier krachtige afstemmingscomponenten en een gebruikerspool van 10 miljoen echte individuen. Om de effectiviteit te valideren, hebben we grootschalige simulatie-experimenten uitgevoerd in drie verschillende domeinen: politiek, nieuws en economie. De resultaten tonen aan dat SocioVerse grootschalige populatiedynamieken kan weerspiegelen, terwijl diversiteit, geloofwaardigheid en representativiteit worden gewaarborgd door gestandaardiseerde procedures en minimale handmatige aanpassingen.

English

Social simulation is transforming traditional social science research by modeling human behavior through interactions between virtual individuals and their environments. With recent advances in large language models (LLMs), this approach has shown growing potential in capturing individual differences and predicting group behaviors. However, existing methods face alignment challenges related to the environment, target users, interaction mechanisms, and behavioral patterns. To this end, we introduce SocioVerse, an LLM-agent-driven world model for social simulation. Our framework features four powerful alignment components and a user pool of 10 million real individuals. To validate its effectiveness, we conducted large-scale simulation experiments across three distinct domains: politics, news, and economics. Results demonstrate that SocioVerse can reflect large-scale population dynamics while ensuring diversity, credibility, and representativeness through standardized procedures and minimal manual adjustments.