LLM 驱动的社会数字孪生体：用于模拟政策干预人口行为反应的框架

预测人口对政策干预的反应是计算社会科学和公共政策中的一项基本挑战。传统方法依赖捕获历史相关性的聚合统计模型，但缺乏机制可解释性，难以应对新颖的政策情境。我们提出了构建社会数字孪生体的通用框架——在该框架中，大语言模型 (LLM) 作为individual agents 的认知引擎。每个 agent 由人口统计和心理学特征描述，接收政策信号并输出多维行为概率向量。校准层将聚合的 agent 响应映射到可观测的人口水平指标，实现对真实数据集成的验证，并可用于部署进行反事实政策分析。我们以疫情响应为例，以新冠疫情为案例研究，利用丰富的观察数据进行校准。在保留测试期上，我们校准的数字孪生体在六个行为类别上的宏平均预测误差优于梯度提升基线提升 20.7%。反事实实验表明，对政策变动的响应呈单调且有界，证明了行为的合理性。该框架具有域无关性：相同的架构可用于交通政策、经济干预、环境法规或任何政策影响人口行为的场景。我们讨论了该方法对政策模拟的意义、方法的局限性，以及将 LLM 驱动的数字孪生体扩展 Beyond 疫情响应的方向。