SemaPop: KI-gestützte Populationserzeugung mit semantischer Persona

Die Erzeugung realistischer Bevölkerungsdaten ist für simulationsbasierte Sozial- und Wirtschaftsforschung entscheidend, doch bisher fehlt ein Ansatz, der sowohl statistische Strukturen als auch latente Verhaltenssemantiken gleichzeitig berücksichtigt. SemaPop füllt diese Lücke, indem es große Sprachmodelle nutzt, um aus Einzelbefragungen hochrangige Persona‑Darstellungen abzuleiten und diese als semantische Konditionierungs­signale für die Populationsgenerierung einzusetzen.

Der Kern des Modells ist ein Wasserstein‑GAN mit Gradient‑Penalty (WGAN‑GP), das als SemaPop‑GAN bezeichnet wird. Durch die Integration von Persona‑Bedingungen und einer marginalen Regularisierung wird sichergestellt, dass die erzeugten Daten nicht nur die Zielmarginalverteilungen exakt widerspiegeln, sondern auch die komplexen Zusammenhänge zwischen Merkmalen bewahren. Die Ergebnisse zeigen, dass SemaPop‑GAN die Übereinstimmung mit Ziel‑Marginalen und Joint‑Distributions deutlich verbessert, während gleichzeitig die Realisierbarkeit und Vielfalt der einzelnen Stichproben erhalten bleiben.

Zusätzliche Ablationsstudien belegen, dass die semantische Persona‑Konditionierung sowie die architektonischen Designentscheidungen entscheidend dazu beitragen, die Balance zwischen marginaler Konsistenz und struktureller Realitätsnähe zu halten. SemaPop‑GAN eröffnet damit neue Möglichkeiten für kontrollierte und interpretierbare Populationserzeugung, die sowohl für die Forschung als auch für die Praxis von großem Nutzen sein können.