随机森林-思维：面向计算社会科学的不确定性感知推理

计算社会科学中的社会调查通过精心构建的领域理论来设计，这些理论能够有效反映访谈者的深层思考，同时不掩饰其真实感受。候选问卷选项高度依赖于访谈者的先前答案，这导致社会调查分析的复杂性，需要大量时间和专业知识。大型语言模型（LLM）通过链式思维（CoT）等提示学习方法显著增强了其执行复杂推理的能力，但仍受限于从左到右的决策过程或有限的推理路径。这意味着它们在需要探索和不确定性搜索的问题上可能不足。为此，提出一种新型的大型语言模型提示方法，称为随机森林思维（RFoT），用于生成不确定性推理，以适应计算社会科学的应用场景。RFoT 允许 LLM 通过生成多样化的思维空间并随机选择子思维来构建思维森林，从而扩展整体性能的探索和预测，受益于响应广泛的搜索空间。该方法应用于优化两个覆盖社会调查分析问题范围的数据集上的计算社会科学分析。我们的实验表明，RFoT 在这两个需要非平凡推理的新型社会调查分析问题上显著提升了语言模型的能力。