简短回答：把问卷数据交给模型之前，先把它整理好。在芝加哥大学布斯商学院 2026 年的一项研究中，基于结构化画像（背景、决策方式、评价偏好）构建的 LLM 数字孪生，在预测受访者留出题目的作答时，准确率比直接使用原始问卷记录高约 1.2 个百分点。增益主要来自“评价偏好”画像，并集中体现在定价类题目上。
最后更新：2026 年 11 月 10 日
数字孪生是指用某个真实个体过去的作答去提示 LLM，让它预测此人会如何回答新问题。常见的设计问题是：要给模型喂多少历史数据？新预印本 Structuring Survey Histories for LLM Digital Twins 的作者是芝加哥大学布斯商学院的 Iris Ye、Tianze Deng 和 Ozan Candogan，他们问的是另一个问题：历史数据如何组织是否重要？该论文是 NeurIPS 2026 SocialAgent 研讨会的终版（camera-ready）论文。
这项研究测试了什么？
研究检验的是：一个固定的三段式画像，能否比原始问卷记录更准确地预测个人作答。据 Ye、Deng 和 Candogan（2026）介绍，作者使用了公开基准 Twin-2K-500（Toubia et al., 2025）：2,058 名受访者在三轮调查中回答了 500 道题，其中来自 17 项任务的 88 道题被留出用于评估。
他们提出的表示方法称为 BDE，将每位受访者的作答拆分为三个画像：
- 背景（Background）：此人是谁、知道什么、相信什么。涵盖人口统计信息、大五人格、价值观、政治观点以及经测试的金融知识。
- 决策方式（Decision procedure）：此人在不确定情境下如何推理，依据包括认知需求、认知闭合需求、最大化倾向以及认知测试中的错误模式。
- 评价偏好（Evaluation）：此人看重什么，包括预算约束、风险与时间偏好、社会偏好和支付意愿。
每个画像由 gpt-4.1-mini 在 temperature 0 下根据问卷记录生成，记录中从不包含留出题目的答案。随后由两个模拟器 gpt-5.4-nano 和 gpt-5.4-mini 以该人物身份回答留出题目。评估覆盖 100 名受访者，每人计分 120 个条目（80 个认知偏差条目和 40 个定价条目）。差异检验采用以受访者为单位的配对 bootstrap，重抽样 10,000 次。
结构化画像比原始问卷记录更好吗？
是的，但幅度不大。完整推断的 BDE 画像在 gpt-5.4-nano 上整体准确率比原始记录高 1.27 个百分点（p < 0.01），在 gpt-5.4-mini 上高 1.19 个百分点（p < 0.001）。最明显的提升出现在定价题上，nano 为 +1.85 个百分点，mini 为 +2.10 个百分点。认知偏差题的准确率仅在 nano 上显著提升（+0.84 个百分点）。
研究并没有证明“越短越好”。作者认为增益来自画像所包含的内容，而不是压缩本身。研究通过四组对比来定位增益来源：
| 对比 | 隔离的因素 | gpt-5.4-nano（整体） | gpt-5.4-mini（整体） |
|---|---|---|---|
| BDE vs. 原始记录 | 所有因素合计 | +1.27 pp（p < 0.01） | +1.19 pp（p < 0.001） |
| BDE vs. 等长自由格式画像 | 三段式结构 | +1.05 pp（p < 0.05） | +0.57 pp（不显著） |
| 深度推断 vs. 浅层推断 | 提取时允许的推断程度 | +0.06 至 +0.83 pp（不显著） | +0.11 至 +0.27 pp（不显著） |
| 在背景 + 决策方式之上加入评价偏好 | 偏好内容 | +1.44 pp（p < 0.001） | +1.22 pp（p < 0.001） |
来源：Ye、Deng & Candogan（2026），表 1 至表 4。pp = 准确率百分点，n = 100 名受访者。
画像中哪一部分最重要？
评价偏好最重要。在背景 + 决策方式之上加入评价偏好，使定价准确率在 nano 上提升 3.40 个百分点，在 mini 上提升 2.60 个百分点（均 p < 0.001）。而在背景 + 评价偏好之上加入决策方式，在任何指标上都没有显著提升。
对于为产品或定价研究构建数字孪生的人来说，这一结果很有用。一个人是否会以某个价格购买某件商品，更多取决于预算、风险态度和支付意愿，而不是推理风格。把这些偏好显式呈现在画像里，模拟器就更容易用上它们。
更深的推断或格式会有帮助吗？
不会。让提取模型进行更激进的推断（从标注过的人口统计推断，到广泛推断和自我报告可靠性评估），在两个模拟器上都没有带来显著提升。删除 BDE 文本中的章节标题，也没有造成显著差异。起作用的是每个部分被设计用来提取的内容，而不是 markdown 标签。
自由格式对比也支持这一点。由同一模型、在同样推断规则下撰写、长度与 BDE 相差不超过 10% 的自由格式画像，在定价题上依然更不准确：nano 低 2.15 个百分点（p < 0.01），mini 低 1.38 个百分点（p < 0.05）。
研究者应在多大程度上相信这些结果？
可以把它看作一个控制严谨但范围较窄的结果。作者自己列出了四点局限：
- 只有一个受访者样本、一个基准，以及来自同一模型家族的两个模型。
- 自由格式对比同时改变了“提取什么”和“如何组织”，因此无法将两者区分开。
- 评价偏好的消融实验没有等长对照，因此偏好内容与额外相关信息相互混淆。
- 整体得分中定价题占全部条目的三分之一。若对 17 项任务等权平均，只有 gpt-5.4-mini 上端到端的整体优势仍然显著，定价题的提升则不受影响。
效应量也较小，仅为 1 到 3 个百分点。论文并未声称三段式划分是最优设计，也没有声称这些画像反映了真实的心理结构。
这对使用数字孪生的研究者意味着什么
这项研究的实际启示是：围绕研究需要预测的内容来精心整理数字孪生的输入。具体有三点：
- 不要默认完整记录就是最佳输入。在本研究中，结构化画像在两个模拟器上都优于原始历史数据。
- 商业类问题要把偏好数据放在前面。预算、风险、时间偏好和支付意愿是定价题提升的主要来源。
- 用留出答案进行验证。本研究的设计（基于留出题目的配对比较、bootstrap 置信区间）可以作为在依赖任何数字孪生之前进行检验的模板。此前关于个体层面数字孪生准确性的研究说明了这一检验为何重要。
如果你自己开展数字孪生研究，Qualitati 数字孪生面板基于真实受访者数据构建人物画像，同样的原则也适用：在使用其预测之前，先用它没见过的答案检验它。
常见问题
什么是 LLM 数字孪生？
它是一个语言模型，被给予某个真实个体此前的作答（例如问卷答案），并被要求预测此人会如何回答新问题。它与通用的合成人物不同，因为它锚定在个人自己的数据上。
什么是 BDE 画像？
BDE 是 Ye、Deng 和 Candogan（2026）提出的固定结构。它把受访者的问卷历史拆分为背景（身份、知识、信念）、决策方式（不确定情境下如何推理）和评价偏好（看重什么，包括预算、风险和支付意愿）。
准确率提升有多大？
与原始记录相比，整体约提升 1.2 至 1.3 个百分点；加入评价偏好画像后，定价题最多提升 3.40 个百分点。这些提升在统计上显著，但幅度较小。
这篇论文经过同行评审了吗？
它是 arXiv 预印本（第 1 版，2026 年 11 月 5 日），标注为 NeurIPS 2026 研讨会的终版论文。研讨会论文经过评审，但评审程度不如期刊论文。
来源：Ye, I., Deng, T., & Candogan, O. (2026). Structuring Survey Histories for LLM Digital Twins: A Controlled Study of Background, Decision Procedure, and Evaluation Profiles. arXiv:2611.08730. SocialAgent Workshop, NeurIPS 2026.
最后更新：2026 年 11 月 10 日。本文是 Qualitati 研究团队对第三方研究的独立编辑摘要，与论文作者无关联，也未获其认可。