作者
摘要
我们提出了一种在电子版中自动生成和测试社会科学假设的方法。大型语言模型(LLM)的最新进展使这种自动化成为可能,但该方法的关键特征是使用结构因果模型。结构因果模型提供了陈述假设的语言、构建基于LLM的代理的蓝图、实验设计和数据分析计划。拟合的结构因果模型成为可用于预测或规划后续实验的对象。我们用几个场景来演示这种方法:谈判、保释听证会、面试和拍卖。在每一种情况下,因果关系都由系统提出并测试,为某些而非其他找到证据。我们提供的证据表明,仅通过直接启发,LLM无法从这些社交互动模拟中获得见解。当给出每个场景的拟议结构因果模型时,LLM擅长预测估计影响的迹象,但无法可靠地预测这些估计的大小。在拍卖实验中,电子模拟结果与拍卖理论的预测非常吻合,但从LLM中得出的清算价格预测是不准确的。然而,如果模型能够以拟合的结构因果模型为条件,LLM的预测将大大提高。简言之,LLM知道的比它能(立即)说的更多。
建议引用
本杰明·曼宁(Benjamin S.Manning)、朱可航(Kehang Zhu)和约翰·霍顿(John J.Horton),2024年。"自动化社会科学:作为科学家和学科的语言模型,"NBER工作文件32381,国家经济研究局。手柄:RePEc:nbr:nberwo:32381
注:PR
从出版商下载全文
由于此文档的访问受到限制,您可能希望搜索换一个不同的版本。
更正
本网站上的所有材料均由各自的出版商和作者提供。您可以帮助纠正错误和遗漏。请求更正时,请提及此项目的句柄:RePEc:nbr:nberwo:32381。请参阅一般信息关于如何更正RePEc中的材料。
如果您编写了此项目,但尚未在RePEc注册,我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。
我们没有这个项目的参考书目。您可以使用这个表格.
如果你知道引用这篇文章的遗漏项目,你可以帮助我们创建这些链接,方法是以与上面相同的方式为每个引用项目添加相关的引用。如果您是此项目的注册作者,您可能还需要检查您的RePEc作者服务个人资料,因为可能有一些引文等待确认。
有关此项目的技术问题,或更正其作者、标题、摘要、书目或下载信息,请联系:负责人(以下电子邮件可用)。供应商的一般联系方式:https://edirc.repec.org/data/nberrus.html.
请注意,更正可能需要几周时间才能筛选出来各种RePEc服务。