MetaPersona: populasi sintetis yang disesuaikan dengan kebutuhan berdasarkan data empiris penelitian sosial
Untuk simulasi LLM, diperkenalkan MetaPersona-DB—kumpulan lebih dari 11 ribu studi dengan sampel manusia, yang diberi anotasi berupa variabel, hubungan, dan statistik agregat sesuai tugas. Berdasarkan kumpulan ini, metode tersebut merekonstruksi grafik dependensi dan menghasilkan populasi dari distribusi yang berlandaskan penelitian ilmiah; namun, kualitas hasilnya bervariasi menurut tugas dan model.
Masalah cold start
Populasi sintetis untuk simulasi sosial dengan LLM dibangun dari persona. Metode yang ada tidak memiliki dasar prinsipil untuk memilih atribut yang disertakan dan menetapkan nilainya. Penulis artikel arXiv:2609.38392 menyebut masalah ini cold start. Akibatnya, populasi sintetis dapat mendistorsi:
- komposisi demografis;
- atribut laten;
- struktur ketergantungan.
Distorsi ini memengaruhi perilaku populasi selanjutnya. Tanpa dasar prinsipil, pemilihan atribut tetap sewenang-wenang. Kriteria suatu metode adalah keterkaitan atribut dengan tugas yang dapat dijelaskan.
Basis penelitian empiris MetaPersona-DB
Judul lengkap artikel tersebut adalah «MetaPersona: Task-Grounded Synthetic Populations from Empirical Social Science». MetaPersona-DB adalah kumpulan data yang terdiri atas lebih dari 11.000 penelitian empiris yang melibatkan manusia. Setiap penelitian diberi anotasi berupa:
- variabel yang relevan dengan tugas;
- hubungan yang dijelaskan;
- statistik populasi agregat.
Metode MetaPersona mengambil data yang relevan dengan tugas dari basis data tersebut. Basis data ini berfungsi sebagai sumber distribusi prior empiris, bukan persona siap pakai. Kriterianya adalah memeriksa apakah basis data mencakup variabel dan hubungan yang dibutuhkan oleh tugas tertentu. Tanpa cakupan tersebut, metode ini tidak memiliki dasar untuk melakukan generasi.
Cara populasi dibangun
MetaPersona membangun populasi melalui beberapa tahap:
- Mengambil data yang relevan dengan tugas.
- Menyusun graf ketergantungan persona berdasarkan literatur ilmiah.
- Membentuk populasi sintetis berdasarkan distribusi prior empiris.
- Menghubungkan karakteristik demografis, atribut laten, dan hasil.
Hasilnya, persona memperoleh nilai atribut bukan dari pemilihan manual, melainkan dari hubungan empiris. Graf tersebut mencatat hubungan antar karakteristik. Inilah yang membedakan pendekatan ini dari pembuatan persona tanpa landasan literatur. Kriterianya adalah adanya alur yang dapat ditelusuri dari tugas ke data, graf, dan nilai atribut.
Hasil evaluasi
Metode MetaPersona dievaluasi pada tiga studi terapan, tiga metode dasar, dan tiga model mutakhir. Hasilnya bergantung pada tugas dan model.
| Studi terapan | Hasil untuk MetaPersona |
|---|---|
| keyakinan terhadap misinformasi | Hasil kuat |
| sentimen terhadap alat AI | Hasil kuat |
| redistribusi pendapatan | Hasil beragam |
Metode ini tidak memberikan kualitas yang sama untuk semua tugas. Kriteria praktisnya adalah menjalankan evaluasi pada tugas dan model tertentu. Hasil dari tugas lain tidak otomatis berlaku.
Biaya dan antarmuka kerja
Elemen utama:
- MetaPersona-Studio — prototipe antarmuka interaktif untuk menghasilkan persona berdasarkan data empiris.
Status prototipe antarmuka ini berarti bahwa antarmuka tersebut sebaiknya dipandang sebagai cara untuk mengenal metode ini. Kriterianya adalah tidak memasukkan prototipe ke dalam infrastruktur kerja tanpa melakukan verifikasi terlebih dahulu.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
Pengujian agen pemrograman dalam pengembangan XR interaktif: hasil GenXR-Bench
GenXR-Bench telah dirilis—seperangkat 112 tugas ahli untuk mengevaluasi agen coding secara menyeluruh dalam pengembangan XR interaktif: mulai dari menyempurnakan fitur dan memperbaiki bug hingga membuat aplikasi dengan pengujian perilaku pada perangkat konsumen. Dari sepuluh model yang diuji, hasil terbaik adalah 50,9% Pass@1; kegagalan yang berulang meliputi penanganan peristiwa sensor asinkron, penempatan objek di ruang nyata, dan pemahaman interaksi dalam konteks fisik.
5 November 2026
Dari Imbalan Skalar ke Front Pareto: Sintesis RTL LLM dengan Pembelajaran Penguatan Multikriteria
Diusulkan metode untuk melatih model bahasa agar menghasilkan bukan hanya satu skema, melainkan serangkaian kandidat RTL dengan kompromi berbeda antara luas area, latensi, dan konsumsi daya; reward dihitung berdasarkan kontribusi kandidat terhadap hypervolume front Pareto. Pada RTLLM v2, hypervolume relatif meningkat 13,3 poin persentase dibandingkan versi dasar tanpa optimasi PPA dan 14,4 poin persentase dibandingkan pelatihan penguatan dengan satu tujuan.
5 November 2026
LLM Medis Mengetahui Revisi Pedoman, tetapi Sering Menjawab Berdasarkan Pedoman Lama
Studi ChronoEvo terhadap 1709 perubahan rekomendasi klinis menunjukkan: pada model utama, 90,8% jawaban mencatat pembaruan, tetapi hanya 58,5% yang menerapkannya sepenuhnya, sementara kesenjangan sebesar 32,3 poin persentase tetap terlihat pada 14 model. Bahkan peningkatan visibilitas pembaruan tidak menghasilkan peningkatan signifikan dalam penerapan penuh aturan baru ke dalam rekomendasi klinis.
4 November 2026