정적인 단편적 시각을 넘어: 대규모 언어 모델을 활용한 집단 수준의 가치 변화 동적 모델링 및 예측

Beyond Static Snapshots: Dynamic Modeling and Forecasting of Group-Level Value Evolution with Large Language Models

사회 시뮬레이션은 복잡한 사회 역학을 분석하고 데이터 기반 의사 결정을 지원하는 데 매우 중요합니다. 최근에는 대규모 언어 모델(LLM) 기반 방법이 인간과 유사한 사회 설문 조사 응답을 활용하여 집단 행동을 모델링하는 강력한 도구로 부상했습니다. 기존의 LLM 기반 접근 방식은 주로 특정 시점의 집단 수준 가치에 초점을 맞추는데, 이는 동적인 과정이 아닌 정적인 단편적인 정보로 취급됩니다. 그러나 집단 수준의 가치는 고정된 것이 아니라 장기적인 사회 변화에 의해 형성됩니다. 따라서 정확한 사회 진화 예측을 위해서는 이러한 가치의 역동성을 모델링하는 것이 중요하며, 이는 데이터 마이닝과 사회 과학 모두에서 핵심적인 과제입니다. 이 문제는 제한적인 시계열 데이터, 집단 간 이질성, 그리고 복잡한 역사적 사건의 영향으로 인해 제대로 연구되지 않았습니다. 이러한 격차를 해소하기 위해, 우리는 LLM 기반 인간 응답 모델링에 역사적 가치 경로를 통합하여 집단 수준의 동적 사회 시뮬레이션을 위한 새로운 프레임워크를 제안합니다. 중국과 미국을 대표적인 사례로 선정하고, 성별, 연령, 교육, 소득 등 네 가지 핵심 사회 인구 통계학적 차원을 기준으로 계층화된 시뮬레이션을 수행합니다. 세계 가치 조사(World Values Survey)를 활용하여 다중 파동, 집단 수준의 시계열 데이터를 구축하고, 역사적 가치 변화를 포착한 후, 사회적 사건, 현재 가치 상태, 그리고 집단 속성을 하나의 프레임워크로 통합하는 최초의 이벤트 기반 예측 방법을 제안합니다. 다섯 가지 LLM 패밀리에 대한 평가 결과, 제안하는 방법은 기존 모델 대비 최대 30.88% (기존 질문) 및 33.97% (새로운 질문)의 성능 향상을 보였습니다. 또한, 집단 간 상당한 이질성이 있음을 확인했습니다. 미국 집단은 중국 집단보다 변동성이 크며, 양국 모두에서 젊은 집단이 외부 변화에 더 민감하게 반응합니다. 이러한 연구 결과는 LLM 기반 사회 시뮬레이션을 발전시키고, 사회 과학자들이 사회적 가치 변화를 이해하고 예측하는 데 새로운 통찰력을 제공합니다.

Social simulation is critical for mining complex social dynamics and supporting data-driven decision making. LLM-based methods have emerged as powerful tools for this task by leveraging human-like social questionnaire responses to model group behaviors. Existing LLM-based approaches predominantly focus on group-level values at discrete time points, treating them as static snapshots rather than dynamic processes. However, group-level values are not fixed but shaped by long-term social changes. Modeling their dynamics is thus crucial for accurate social evolution prediction--a key challenge in both data mining and social science. This problem remains underexplored due to limited longitudinal data, group heterogeneity, and intricate historical event impacts. To bridge this gap, we propose a novel framework for group-level dynamic social simulation by integrating historical value trajectories into LLM-based human response modeling. We select China and the U.S. as representative contexts, conducting stratified simulations across four core sociodemographic dimensions (gender, age, education, income). Using the World Values Survey, we construct a multi-wave, group-level longitudinal dataset to capture historical value evolution, and then propose the first event-based prediction method for this task, unifying social events, current value states, and group attributes into a single framework. Evaluations across five LLM families show substantial gains: a maximum 30.88\% improvement on seen questions and 33.97\% on unseen questions over the Vanilla baseline. We further find notable cross-group heterogeneity: U.S. groups are more volatile than Chinese groups, and younger groups in both countries are more sensitive to external changes. These findings advance LLM-based social simulation and provide new insights for social scientists to understand and predict social value changes.