أظهرت دراسة جديدة أن نماذج اللغة الكبيرة (LLM) قد تكون مفيدة جداً في محاكاة السلوك البشري في ظل ظروف قاسية مثل الكوارث الطبيعية، ومع ذلك، كانت هناك تحديات تتعلق بمصداقية هذه النماذج. من خلال إضافة بيانات تجريبية، تمكنا من تحسين دقة النتائج التي تنتجها هذه النماذج.

التأسيس التجريبي هو الأسلوب الذي تم اعتماده في هذا البحث، حيث تم دمج ملفات تعريف ديموغرافية مستمدة من مسح المجتمع الأمريكي (American Community Survey) وكذلك الروتين اليومي من مسح استخدام الوقت الأمريكي (American Time Use Survey) لتحسين كيفية بدء تشغيل النماذج، كيفية التعامل مع الذكريات، كيفية طرح القرارات، وتنفيذ الأنشطة.

أثناء موجة الحر في فيلادلفيا في يوليو 2024، تم استخدام مسح مستقل كمرجع خارجي للتحقق من النتائج. أظهرت مقارنات بين النموذج المُدعم بالتأسيس التجريبي ونموذج غير مُدعم تحسنًا كبيرًا في دقة إعادة بناء الروتين اليومي العادي، حيث ارتفعت نسبة الارتباط بين النتائج المُعَدلة والبيانات التجريبية من 0.528 إلى 0.912.

وعند تحليل ظروف موجة الحر، أظهر النموذج المُدعم قدرة أعلى في إعادة إنتاج سلوكيات الأفراد، مما زاد من نسبة الارتباط من 0.349 إلى 0.836، ويظهر هذا البحث أن استخدام البيانات التجريبية يمكن أن يجعل نماذج اللغة الكبيرة أكثر مصداقية كأدوات لمحاكاة سلوكيات السكان.

في النهاية، تكشف هذه النتائج عن الفجوات الموجودة في نمذجة كيفية تكيف البشر أثناء الأزمات، مما يفتح أبوابًا جديدة لفهم أعمق لسلوكيات التجمعات في أوقات الشدائد.