在当今人工智能（AI）快速发展的时代，尤其是在大型语言模型（LLM）的应用中，如何准确模拟人类的身份和行为成为了一个重要的研究课题。现有的方法往往过于简化人类复杂的身份特征，导致模拟结果的真实性和多样性不足。为了解决这一问题，研究者们提出了一个名为 SPeCtrum 的框架，它为构建真实的 LLM 代理角色提供了一个系统化的解决方案。
🧩 身份的多维性：SPeCtrum 框架的构成
SPeCtrum 框架的核心在于将身份分为三个互相关联的组成部分：社会身份（Social Identity, S. 、个人身份（Personal Identity, P）和个人生活背景（Personal Life Context, C）。这三个部分共同构成了一个个体的多维自我概念，使得 LLM 代理能够更真实地反映现实世界中的人类身份。✅
🌍 社会身份（S. ✅
社会身份是指个体与其所归属的社会群体相关的内在和外在特质。这包括性别、种族、教育背景等信息。通过对19个与人口统计相关的问题进行调查，研究者能够有效地捕捉个体的社会身份特征。这一部分为 LLM 代理提供了一个基础的社会背景，使其在模拟人类行为时更加贴近真实。
🧬 个人身份（P. ✅
个人身份则更为深层，涵盖个体的心理特质和价值观。研究者使用了广泛应用的30项大五人格量表（BFI-2-S. 和21项肖像价值问卷（PVQ）来评估个体的心理特征和价值观。通过这些工具，研究者能够深入了解个体的内心世界，从而为 LLM 代理提供更丰富的个性化特征。✅
🏡 个人生活背景（C. ✅
个人生活背景是 SPeCtrum 框架中最具动态性的部分，它通过短文的形式收集个体的日常偏好和生活习惯。研究者要求参与者描述他们的日常活动和个人喜好，以此来捕捉个体在日常生活中的真实表现。这一部分的引入，使得 LLM 代理能够在模拟人类行为时，展现出更为细腻和真实的个性。
🔍 验证 SPeCtrum 框架的有效性
为了验证 SPeCtrum 框架在身份表现上的有效性，研究者进行了自动化评估和人类评估两种实验。
🤖 自动化评估
在自动化评估中，研究者利用流行的电视剧角色作为数据集，使用「猜猜谁」测试和「二十个陈述测试」（TST）来评估不同身份组成部分的表现。结果显示，个人生活背景（C. 在捕捉角色身份方面表现优于社会身份（S）和个人身份（P），并且与三者结合的表现相当。这一发现表明，个人生活背景在模拟个体身份时具有重要的作用。✅
👥 人类评估
在人类评估中，研究者邀请了80名参与者，要求他们比较四种不同类型的代理（基于 S. P、C 和 SPC 组合）所生成的短文。结果显示，尽管个人生活背景（C）在某些方面表现突出，但完整的 SPC 组合提供了更全面的自我概念表现。这一发现强调了在真实世界中，综合考虑社会身份、个人身份和个人生活背景的重要性。✅
🧠 研究的启示与未来方向
SPeCtrum 框架的提出，不仅为 LLM 代理的身份表现提供了一个系统化的基础，也为人机交互的个性化和真实感提升提供了新的思路。研究者们认为，尽管个人生活背景在模拟身份方面表现良好，但为了更准确地反映真实世界中的个体，仍需结合所有身份组成部分。
未来的研究可以进一步探索如何将多源数据整合到框架中，以增强其在不同文化和语言背景下的适用性。此外，研究者们也意识到，个体身份的表现并非所有特征对每个人都同等重要，因此在未来的工作中，将考虑为不同个体赋予不同的权重。
📚 参考文献
- Hall, S. (2015). ✅Cultural Identity and Diaspora.
- Mead, G. H. (1934). ✅Mind, Self, and Society.
- Schwartz, S. H. (1994). ✅Are There Universal Human Values?.
- Jones, J. M., & McEwen, W. J. (2000). ✅The Self-Concept.
- Bracken, B. A. (1996). ✅Assessing Self-Concept in Children and Adolescents.
通过 SPeCtrum 框架，研究者们希望能够在 LLM 代理的开发中，创造出更加真实和个性化的身份表现，从而推动人机交互的进步。