新框架用 LLM 数字孪生模拟社交网络舆论
原文标题：Digital Twins for Opinion Dynamics: A Generative LLM Framework for Social Networks
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出基于数字孪生概念的社交网络舆论动力学仿真框架，克隆真实 Twitter 网络并为智能体赋予人格、情绪、中心性、固执度与影响力等属性，用 Mistral-7B 基于记忆与社会暴露更新观点。在 COVID-19 讨论与 2020 美国大选两个真实数据集上，个体预测误差较最佳经典基线降低逾 50%，结构对齐与极化动态指标同样改善。消融实验显示智能体属性、记忆与社会暴露均对预测保真度有贡献，其中属性最关键。
- 问题
- 社交网络舆论动力学模型要么忽略语言与语境，要么用 LLM 仿真但未对真实数据验证。
- 方法
- 基于数字孪生克隆真实 Twitter 网络，为智能体赋予人格、情绪、中心性、固执度与影响力，用 Mistral-7B 依记忆与社会暴露更新观点。
- 结果
- COVID-19 与美国大选 2020 两个数据集上个体预测误差较最佳经典基线降低逾 50%，MAE 分别为 0.150 与 0.121。
- 影响
- 为舆论预测与信息传播仿真提供可对真实数据校准的智能体框架，可用于极化与错误信息研究。
深读 · 结论先行AI 生成展开看要点与影响 ↓
数字孪生框架克隆真实 Twitter 网络、用 Mistral-7B 更新观点，个体预测误差较最佳经典基线降逾 50%。
- •克隆真实 Twitter 网络，为智能体赋予人格、情绪、中心性、固执度、影响力等属性
- •用 Mistral-7B 基于记忆与社会暴露更新观点
- •两个真实数据集上 MAE 分别为 0.150（COVID-19）与 0.121（2020 美国大选）
- •结构对齐 Δ_r 为 0.120 与 0.180，极化动态 Δ_Var 为 0.106 与 0.115
- •消融显示智能体属性、记忆、社会暴露均贡献预测保真度，属性最关键
为什么重要：此前 LLM 舆论仿真多缺乏真实数据验证，这条给出对两个真实数据集的量化对齐结果，对计算社会科学与信息传播研究有参考意义。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。