기계에게 가치를 가르치다: LLM에서 인간과 유사한 행동 시뮬레이션

Teaching Values to Machines: Simulating Human-Like Behavior in LLMs

대규모 언어 모델(LLM)은 다양한 페르소나와 역할을 채택하는 놀라운 능력을 보여줍니다. 그러나 이들이 일관성 있는, 인간적인 가치 체계에 부합하는 행동을 나타낼 수 있는지 여부는 아직 불분명합니다. 본 연구에서는 확립된 심리학적 가치 이론을 활용하여 LLM에 인간과 유사한 가치를 부여하고, 이를 인간 연구에서 관찰되는 패턴과 비교하여 일관성을 평가했습니다. 검증된 심리 설문지를 사용하여 5백만 건 이상의 질문으로 구성된 대규모 실험을 수행하여 선도적인 LLM의 가치 구조와 가치-행동 관계를 평가하고, 이를 인간과 비교했습니다. 연구 결과, 가치를 부여한 LLM과 인간 사이에 가치 및 행동 양상 모두에서 높은 일관성이 나타났습니다. 또한, 인간의 가치 분포를 통합하면 가치를 부여한 LLM을 활용한 인구 수준 시뮬레이션이 향상됩니다. 이러한 결과는 가치를 부여한 LLM이 효과적이고 심리학적으로 기반한 도구로서 인간 행동을 시뮬레이션하는 데 잠재력을 가지고 있음을 보여줍니다.

Large Language Models (LLMs) demonstrate a remarkable capacity to adopt different personas and roles; however, it remains unclear whether they can manifest behavior that adheres to a coherent, human-like value structure. In this work, we draw on established psychological value theory to induce human-like values in LLMs and assess their alignment with patterns observed in human studies. Using validated psychological questionnaires, we conduct large-scale experiments -- over 5 million questions -- to evaluate value structures and value-behavior relationships in leading LLMs and compare them to humans. Our findings reveal strong agreement between value-prompted LLMs and humans across both dimensions. Moreover, incorporating human value distributions enhances population-level simulations with value-induced LLMs. These findings highlight the potential of value-induced LLMs as effective, psychologically grounded tools for simulating human behavior.