CrowdLLM: Digitale Bevölkerungen mit LLMs und generativen Modellen

Mit dem Aufkommen großer Sprachmodelle (LLMs) wächst das Interesse an digitalen Bevölkerungen, die in Bereichen wie Sozialsimulation, Crowdsourcing, Marketing und Empfehlungssystemen eingesetzt werden können. Solche virtuellen Populationen können die Kosten für die Rekrutierung menschlicher Teilnehmer senken und viele ethische Bedenken bei Studien mit Menschen umgehen.

Allerdings zeigen aktuelle Untersuchungen, dass die meisten Ansätze ausschließlich auf LLMs basieren und damit weder die Genauigkeit noch die Vielfalt einer realen menschlichen Population ausreichend abbilden. Um diese Lücke zu schließen, stellt CrowdLLM einen neuen Ansatz vor, der vortrainierte LLMs mit generativen Modellen kombiniert. Dadurch wird die Diversität und Treue der digitalen Bevölkerung deutlich erhöht.

Die Autoren führen eine theoretische Analyse durch, die das enorme Potenzial von CrowdLLM für die Erstellung kostengünstiger, repräsentativer und skalierbarer digitaler Populationen aufzeigt, die die Qualität echter Menschenmengen erreichen können. In umfangreichen Experimenten – von Crowdsourcing über Abstimmungen bis hin zu Nutzerbewertungen – demonstriert CrowdLLM eine vielversprechende Leistung in Bezug auf Genauigkeit und die Verteilung von Daten im Vergleich zu menschlichen Referenzdaten.