參數化社會認同植入技術：解決大型語言模型在輿論模擬中的多樣性缺失問題

本研究提出 PSII 框架，透過將人口統計屬性與價值觀直接注入語言模型隱藏層，成功解決模型在輿論模擬中容易產生的「多樣性崩潰」現象，大幅提升模擬真實性與群體差異。

Problem

現有大型語言模型（LLM）在輿論模擬中常面臨「多樣性崩潰」（Diversity Collapse）現象。隨著模型層級增加，不同社會身份的隱藏表示趨於一致，導致模擬結果無法呈現真實社會中不同背景群體的意見差異，造成輸出結果過於單一且扁平化。

提出「參數化社會認同植入」（PSII）通用框架。不同於傳統僅依靠提示詞（Prompt）設定人格，PSII 將人口統計屬性與價值取向轉化為參數化表示，直接植入 LLM 的中間隱藏層。這種方法能在表徵層級實現更精細、可控的社會認同調節。

在世界價值觀調查（WVS）數據集上的實驗顯示，PSII 顯著降低了模擬結果與真實調查數據之間的 KL 散度。該方法在多個開源模型上均能提升分布保真度與多樣性，精確捕捉到不同人口統計特徵群體間的意見分歧。

本研究為 LLM 代理人的表徵層級控制提供了新視角，克服了傳統提示詞方法的侷限。這項進展不僅提升了大規模輿論模擬的科學性，更確保了數位模擬能更公平且多元地反映現實社會的意見全貌。