序数观点：面向真实 civic 模拟的行动感知型大语言模型人格建模
计算与语言
2026-03-17 v2 人工智能
机器学习
声音
摘要
大型语言模型提供了模拟多方讨论的机会，但受限于缺乏说话者归因数据，现实建模仍有限。自动语音识别（ASR）生成的记录中分配匿名说话者标签（如 Speaker_1），阻止模型捕捉一致的人类行为。本工作引入了一个可复现的管道，将公开的 Zoom 录音转化为带有人格轮廓和实践行动标签（如 [propose_motion]）的说话者归因记录。我们发布了三个地方政府讨论数据集：上诉法院听证会、学区委员会会议以及市政厅会议。使用此“行动感知”数据对大语言模型进行微调以建模特定参与者，可实现 67% 的困惑度降低，几乎翻倍了基于分类器的说话者忠实度和真实性指标。图灵式的人类评估表明，我们的模拟往往与真实讨论 indistinguishable，从而提供了一种实用且可扩展的复杂真实 civic 模拟方法。
引用
@article{arxiv.2511.17813,
title = {Point of Order: Action-Aware LLM Persona Modeling for Realistic Civic Simulation},
author = {Scott Merrill and Shashank Srivastava},
journal= {arXiv preprint arXiv:2511.17813},
year = {2026}
}
备注
8 pages (32 pages including appendix), 18 figures. Code and datasets are available at https://github.com/smerrillunc/action-aware-llms. Submitted to ACL 2026