自适应政治调查与 GPT-4：利用模拟用户交互解决冷启动问题

自适应问卷根据调查参与者的先前回答动态选择下一个问题。由于数字化，它们已成为政治科学等领域传统调查的可行替代方案。然而，一个限制是其依赖于数据来训练问题选择模型。通常，此类训练数据（即用户交互）事先不可用。为解决这一问题，我们 (i) 测试大语言模型 (LLM) 是否能准确生成此类交互数据，以及 (ii) 探索这些合成数据是否可用于预训练自适应政治调查的统计模型。为评估该方法，我们以两种方式利用了瑞士投票建议应用 (VAA) Smartvote 的现有数据：第一，我们比较 LLM 生成的合成数据分布与真实分布以评估其相似性；第二，我们比较随机初始化的自适应问卷与以合成数据预训练的自适应问卷的性能以评估其训练适用性。我们将这些结果与具有完美先验知识的 Oracle 问卷进行基准测试。我们发现，现成的 LLM（GPT-4）能够从不同瑞士政党的视角准确生成 Smartvote 问卷的答案。此外，我们证明以合成数据初始化统计模型可以 (i) 显著降低用户响应预测误差，以及 (ii) 提高 VAA 的候选人推荐准确率。我们的工作强调了 LLM 在创建训练数据以改善自适应问卷数据收集流程方面的巨大潜力，尤其是在 LLM 相关领域如政治调查。