사용자 시뮬레이션을 위한 사회적 기반 페르소나 프레임워크의 필요성

The Need for a Socially-Grounded Persona Framework for User Simulation

합성 페르소나는 대규모 언어 모델(LLM)을 사회 시뮬레이션에 활용하는 데 널리 사용되지만, 대부분의 페르소나는 여전히 대략적인 사회 인구 통계 속성 또는 요약본을 기반으로 구성됩니다. 본 연구에서는 124명의 미국 참가자로부터 수집된 141개 항목으로 구성된 2시간 분량의 사회심리 프로토콜을 기반으로 페르소나 생성 및 평가를 위한 사회적 기반 프레임워크인 SCOPE를 소개하여 페르소나 생성 방식을 재검토합니다. 7개의 모델을 분석한 결과, 인구 통계 정보만을 사용한 페르소나가 구조적인 한계점을 가지고 있음을 확인했습니다. 인구 통계 정보는 인간 반응 유사성의 변동성을 약 1.5% 정도만 설명합니다. 사회심리적 요소를 추가하면 행동 예측 능력이 향상되고 과도한 강조가 줄어들며, 가치관 및 정체성을 기반으로 한 비인구 통계 페르소나는 훨씬 낮은 편향으로 인간과 높은 유사성을 보입니다. 이러한 경향은 SimBench(441개의 정렬된 질문) 데이터에서도 나타났으며, SCOPE 페르소나가 기본 프롬프트 및 NVIDIA Nemotron 페르소나보다 우수한 성능을 보였습니다. 또한, SCOPE를 활용하여 Nemotron 기반 페르소나를 개선할 수 있었습니다. 이러한 결과는 페르소나의 품질이 인구 통계 템플릿이나 요약본이 아닌 사회심리적 구조에 따라 달라진다는 것을 시사합니다.

Synthetic personas are widely used to condition large language models (LLMs) for social simulation, yet most personas are still constructed from coarse sociodemographic attributes or summaries. We revisit persona creation by introducing SCOPE, a socially grounded framework for persona construction and evaluation, built from a 141-item, two-hour sociopsychological protocol collected from 124 U.S.-based participants. Across seven models, we find that demographic-only personas are a structural bottleneck: demographics explain only ~1.5% of variance in human response similarity. Adding sociopsychological facets improves behavioral prediction and reduces over-accentuation, and non-demographic personas based on values and identity achieve strong alignment with substantially lower bias. These trends generalize to SimBench (441 aligned questions), where SCOPE personas outperform default prompting and NVIDIA Nemotron personas, and SCOPE augmentation improves Nemotron-based personas. Our results indicate that persona quality depends on sociopsychological structure rather than demographic templates or summaries.