في ظل التقدم الكبير الذي نشهده في تكنولوجيا الذكاء الاصطناعي، يبرز مفهوم الاستفادة من التجمعات السكانية الاصطناعية (Synthetic Populations) بشكل متزايد. تُظهر الأبحاث الأخيرة، التي تناولت استخدام بيانات استبيانات صحية تم توليدها بواسطة نماذج اللغات الضخمة (Large Language Models) مثل GPT-4.1 وGemini-2.5-Pro، إمكانيات جديدة لتحديد بُنى سكانية دقيقة تعتمد على المعطيات المعاصرة والتي تعكس الخصائص الجغرافية.

الورقة العلمية، التي استندت إلى بيانات من نظام مراقبة عوامل الخطر السلوكية (Behavioral Risk Factor Surveillance System) لعام 2023، قامت بتوليد سجلات استبيانية اصطناعية للدولتين الأمريكيتين كولورادو و ميسيسيبي. وعلى الرغم من أن النتائج أبرزت أن نماذج التعلم العميق قادرة على التقاط التباينات الرئيسية بين الولايات، إلا أن أداءها كان متغيراً بحسب الأوضاع. حيث أظهرت بعض التحليلات أن تطبيق نماذج الملاءمة النسبية التكرارية (Iterative Proportional Fitting) يمكن أن يضخم أو يقلل من الأخطاء الموجودة في البيانات المولدة.

من خلال المراجعة السطحية للنتائج، وجدت الأبحاث أن التجمعات السكانية التي تم إنشاؤها باستخدام نماذج اللغات الضخمة تُظهر أنماطًا تتناسب بشكل معقول مع بيانات التعداد السكاني، خاصة للمتغيرات التي تتماشى مع البيانات الحقيقية. رغم أن بيانات الاستبيانات المولدة قد تُعتبر مثيرة للاهتمام كمدخل إضافي، إلا أنها لا تزال تحتاج إلى بيانات واقعية لتكون بديلاً فعّالاً.

الاستنتاج هنا هو أن البيانات الاصطناعية تُظهر وعودًا كبيرة، لكن هناك حاجة لاستمرار العمل والتطوير في هذا المجال لضمان دقة وموثوقية النتائج.