Simulando el Comportamiento del Usuario con Modelos de Lenguaje

Simular comportamientos de usuarios es clave para aplicaciones que se centran en cómo la gente interactúa con la tecnología. El reto viene de lo complejo que es el proceso de toma de decisiones humanas. Recientemente, se ha descubierto que los modelos de lenguaje grandes (LLMs) pueden imitar una inteligencia similar a la humana al aprender de un montón de información en línea. Creemos que estos modelos podrían ayudar a crear simulaciones más realistas de los comportamientos de los usuarios.

Para hacer que esta idea funcione, proponemos un marco usando LLMs y un entorno de prueba donde podamos simular cómo se comportan los usuarios en línea. Nuestras pruebas muestran que el comportamiento producido por nuestro método se parece mucho al de las personas reales. Exploramos dos problemas sociales: los capullos de información y los comportamientos de conformidad de los usuarios, usando esta simulación. Este estudio presenta nuevas formas de simular el comportamiento humano en aplicaciones tecnológicas.

La inteligencia artificial (IA) centrada en el ser humano busca mejorar técnicas que beneficien a las personas, aumentando la calidad de vida y haciendo que los recursos funcionen mejor. Las aplicaciones de IA generalmente dependen de tener suficientes datos confiables. Sin embargo, obtener datos reales de usuarios puede ser difícil y caro debido a problemas de privacidad.

Para abordar este problema, se han propuesto varias estrategias para simular el comportamiento del usuario. El objetivo es crear datos realistas cuando es complicado conseguir datos reales. Aunque las estrategias anteriores han logrado avances sustanciales, tienen algunas desventajas notables:

1. Decisiones de Usuario Sobresimplificadas: Muchos métodos existentes utilizan funciones matemáticas simples para modelar las elecciones de los usuarios, lo que no captura la complejidad de cómo piensa la gente.
2. Dependencia de Datos Reales: Los métodos actuales a menudo requieren conjuntos de datos reales para iniciar el proceso de simulación, lo que lleva a una situación en la que solo pueden imitar comportamientos conocidos.
3. Escenarios de Simulación Limitados: Los métodos tradicionales suelen enfocarse en un solo escenario, sin reflejar los diversos contextos en los que ocurre el comportamiento real del usuario.

Recientemente, los LLMs han demostrado que pueden captar patrones complejos de pensamiento humano a través de datos extensos en la web. La mayoría de las actividades de los usuarios, como ver películas o chatear con amigos, pueden expresarse en lenguaje. Los LLMs aprenden de una gran cantidad de información sobre el comportamiento de los usuarios disponible en línea, lo que los hace adecuados para simular acciones de usuarios. Pueden producir simulaciones realistas sin necesitar datos extensos del mundo real, abriendo el camino a nuevas aplicaciones.

Nuestro objetivo es investigar la posibilidad de usar LLMs para simular comportamientos de usuarios. El núcleo de nuestro enfoque es un marco de agentes inspirado en la neurociencia cognitiva. Este marco consta de tres módulos: un módulo de perfil, un módulo de memoria y un Módulo de Acción. Luego creamos un entorno de prueba donde los agentes pueden interactuar, buscar películas y chatear.

Nuestras pruebas exhaustivas revelan que los comportamientos simulados que produce nuestro marco son muy similares a los de los usuarios reales. Para resaltar el potencial de nuestro simulador, lo usamos para analizar dos problemas sociales conocidos: los capullos de información y la conformidad del usuario. A través de nuestras simulaciones, identificamos estrategias para mitigar estos problemas.

#El Marco del Agente

Nuestro simulador consta de agentes basados en LLM diseñados para imitar comportamientos de usuarios. Cada agente tiene:

• Módulo de Perfil: Define rasgos del usuario como edad, intereses y personalidad.
• Módulo de Memoria: Permite a los agentes recordar acciones pasadas y adaptarse a su entorno.
• Módulo de Acción: Controla cómo se comportan los agentes en diferentes escenarios, como elegir películas o chatear.

#Credibilidad de los Comportamientos Simulados

Para evaluar si nuestros comportamientos simulados son creíbles, evaluamos cómo actúan los agentes dentro de un sistema de recomendaciones y sus comportamientos de chat y difusión. En nuestras pruebas, comparamos las acciones de nuestros agentes con las de usuarios reales. Los resultados muestran que nuestros agentes pueden imitar acciones de usuarios reales de cerca, con solo pequeñas diferencias.

#Capullos de Información y Conformidad del Usuario

Usando nuestro simulador, examinamos dos fenómenos sociales: los capullos de información, donde los usuarios solo ven contenido que coincide con sus preferencias, y la conformidad del usuario, donde las personas siguen las opiniones de sus amigos. Nuestros hallazgos sugieren que ambos problemas pueden ser modelados y abordados efectivamente usando nuestra simulación.

#El Papel de los Perfiles de Usuario

El perfil de cada agente contiene detalles esenciales que modelan su comportamiento. Por ejemplo, los rasgos e intereses ayudan a determinar cómo los agentes interactúan con el sistema de recomendaciones y entre ellos. Generamos perfiles de usuario usando una mezcla de aportes manuales y métodos automatizados basados en datos existentes. Este enfoque asegura perfiles diversos y realistas para nuestros agentes.

#Mecánicas de Memoria

Nuestro marco emplea un sistema de memoria modelado según las funciones de memoria humana:

• Memoria Sensorial: Captura acciones inmediatas del usuario.
• Memoria a Corto Plazo: Retiene detalles relevantes de la memoria sensorial.
• Memoria a Largo Plazo: Almacena información importante para uso futuro.

Este sistema de memoria estructurado permite a los agentes aprender de interacciones pasadas y usar ese conocimiento en la toma de decisiones.

#Proceso de Acción

El módulo de acción permite que los agentes tomen diversas acciones, como buscar elementos, navegar por recomendaciones, chatear o difundir. Cada acción está guiada por el perfil del agente, el contenido de la memoria y el contexto de la tarea.

#Conclusión

Este documento presenta una nueva forma de simular el comportamiento del usuario usando LLM. El marco que desarrollamos, que incluye módulos de perfil, memoria y acción, muestra un gran potencial para producir comportamientos de usuario creíbles. Nuestros hallazgos sobre capullos de información y conformidad del usuario demuestran que tales simulaciones pueden conducir a ideas y estrategias que mejoren la experiencia del usuario en aplicaciones tecnológicas.

El trabajo futuro se enfocará en refinar el simulador para aumentar su flexibilidad y adaptabilidad. Creemos que este enfoque puede servir como base para que los investigadores aborden otras simulaciones complejas de comportamiento del usuario en IA centrada en el ser humano.