PersonaTwin：面向生成与评估个性化数字孪生体的多层次提示条件框架
计算与语言
2025-08-18 v1
摘要
虽然大型语言模型（LLM）为用户建模和逼近人类行为提供了新的可能性，但它们往往难以捕捉到个体用户的多维细微差别。本文介绍了 PersonaTwin，一个多层次提示条件框架，通过整合人口统计学、行为和心理测量数据来构建自适应的数字孪生体。我们使用包含超过8500名个体的全面数据集，在医疗保健背景下，对 PersonaTwin 与标准 LLM 输出进行了系统性基准测试，我们严格的评估将最先进的文本相似性度量标准与专门的人口统计学公平性评估相结合，确保生成的响应保持准确且不偏见。实验结果表明，我们的框架在仿真保真度方面与标准设置持平。此外，基于人格孪生体训练的下游模型在GPT-4o 基础模型和 Llama 基础模型的预测和公平性指标方面，均与在个体上训练的模型相近。总体而言，这些发现凸显了基于 LLM 数字孪生体方法在产生逼真且情感细腻的用户仿真方面的潜力，为个人化的数字用户建模和行为分析提供了强大工具。
引用
@article{arxiv.2508.10906,
title = {PersonaTwin: A Multi-Tier Prompt Conditioning Framework for Generating and Evaluating Personalized Digital Twins},
author = {Sihan Chen and John P. Lalor and Yi Yang and Ahmed Abbasi},
journal= {arXiv preprint arXiv:2508.10906},
year = {2025}
}
备注
Presented at the Generation, Evaluation & Metrics (GEM) Workshop at ACL 2025