LLM-basierte digitale Zwillinge simulieren Bevölkerungsverhalten bei Politikmaßnahmen

In der Computational Social Science stellt die Vorhersage von Bevölkerungsreaktionen auf politische Maßnahmen eine zentrale Herausforderung dar. Traditionelle Modelle nutzen aggregierte Statistiken, die zwar historische Zusammenhänge abbilden, jedoch mechanische Erklärungen vermissen und bei neuen Szenarien an Genauigkeit verlieren.

Ein neues, generisches Framework präsentiert sich als Lösung: Social Digital Twins, virtuelle Populationen, in denen Large Language Models (LLMs) als kognitive Motoren für einzelne Agenten fungieren. Jeder Agent trägt demografische und psychografische Merkmale, empfängt politische Signale und liefert mehrdimensionale Wahrscheinlichkeitsvektoren für sein Verhalten.

Eine Kalibrierungsschicht übersetzt die aggregierten Agentenreaktionen in beobachtbare Populationsmetriken, sodass das Modell gegen reale Daten validiert und für kontrafaktische Analysen eingesetzt werden kann. Im Fallstudienbereich Pandemie‑Response wurde das System mit umfangreichen COVID‑19‑Daten getestet.

Auf einem hold‑out‑Testzeitraum erzielte der kalibrierte digitale Zwilling eine 20,7 %ige Verbesserung des makro‑durchschnittlichen Vorhersagefehlers gegenüber Gradient‑Boosting‑Baselines in sechs Verhaltenskategorien. Kontrafaktische Experimente zeigten monotone, begrenzte Reaktionen auf politische Variationen, was die Plausibilität der simulierten Verhaltensmuster unterstreicht.

Das Framework ist domänenunabhängig: dieselbe Architektur lässt sich für Verkehrs‑, Wirtschafts‑ oder Umweltpolitik einsetzen, wo politische Maßnahmen das Verhalten der Bevölkerung beeinflussen. Die Autoren diskutieren die Implikationen für die Politiksimulation, weisen jedoch auch auf Grenzen des Ansatzes hin, etwa die Abhängigkeit von qualitativ hochwertigen Trainingsdaten und die Notwendigkeit weiterer Validierungen in unterschiedlichen Kontexten.