arXiv cs.CLは2026年11月5日(現地時間)、大規模言語モデル（LLM）ベースのデジタルツインにおける個人応答予測について、調査履歴の構造化が予測精度向上に寄与すると報じた。特に、個人の調査履歴を「Background」「Decision procedure」「Evaluation」の3要素（BDE）で構成する固定表現プロファイルが、生の調査記録と比較して優れた予測精度を示すことが確認された。
Iris Ye氏らの研究チームは、LLMベースのデジタルツインを対象に、過去の応答表現から新たな設定での個人の応答を予測する手法として、各回答者の調査履歴をBackground、Decision procedure、Evaluationに組織化する固定表現「BDE」を開発した。
Twin-2K-500データセットを用いて、100人の回答者に対する17のタスクで各回答者の保留回答を予測する評価が実施された。この評価により、完全に推論されたBDEプロファイルは、生の調査記録（raw survey transcript）と比較して、gpt-5.4-nanoで全体精度を1.27パーセントポイント（p < 0.01）、gpt-5.4-miniで1.19パーセントポイント（p < 0.001）向上させることが明らかになった。
さらに、同じ抽出者によって同じ記録から作成された、長さが一致する自由形式プロファイルとの比較では、BDEはgpt-5.4-nanoで2.15パーセントポイント（p < 0.01）、gpt-5.4-miniで1.38パーセントポイント（p < 0.05）価格設定精度を向上させた。ただし、全体的な利点はgpt-5.4-nanoのみで1.05パーセントポイント（p < 0.05）で有意であった。抽出時のより深い推論（deeper inference）は、いずれのシミュレータでも統計的に有意な向上をもたらさなかった。対照的に、BackgroundとDecision procedureのプロファイルにEvaluationを追加することで、gpt-5.4-nanoで1.44パーセントポイント（p < 0.001）、gpt-5.4-miniで1.22パーセントポイント（p < 0.001）全体精度が向上した。
これらの結果は、BDEプロファイルが生の記録に対して優位性を持つのは、単に情報圧縮や長さに起因するものではなく、主にプロファイルの構成そのものによるものであることを示唆している。
参考: arXiv cs.CL (アーカイブ) — 2026年11月9日 14:00 (JST)