Simulando Comportamento do Usuário com Modelos de Linguagem

Simular comportamentos de usuários é fundamental para aplicações que focam em como as pessoas interagem com a tecnologia. O desafio vem da complexidade da tomada de decisão humana. Recentemente, descobriram que grandes modelos de linguagem (LLMs) conseguem imitar a inteligência humana aprendendo com uma porção de informações online. Acreditamos que esses modelos podem ajudar a criar simulações mais realistas dos comportamentos dos usuários.

Pra fazer essa ideia funcionar, a gente propõe uma estrutura usando LLMs e um ambiente de teste onde podemos simular como os usuários se comportam online. Nossos testes mostram que o comportamento gerado pelo nosso método se aproxima muito do de pessoas reais. A gente explora duas questões sociais - bolhas de informação e comportamentos de conformidade dos usuários - usando essa simulação. Esse estudo apresenta novas formas de simular comportamento humano em aplicações tecnológicas.

A inteligência artificial (IA) centrada no ser humano busca melhorar técnicas que beneficiam as pessoas, aumentando a qualidade de vida e fazendo os recursos funcionarem melhor. As aplicações de IA geralmente dependem de ter dados confiáveis o suficiente. Porém, conseguir dados reais de usuários pode ser difícil e caro por causa de questões de privacidade.

Pra lidar com isso, diversas estratégias pra simular comportamento de usuários foram propostas. O objetivo é criar dados realistas quando os dados reais são difíceis de coletar. Embora estratégias anteriores tenham avançado bastante, elas têm algumas desvantagens notáveis:

1. Decisões de Usuário Simplificadas: Muitos métodos existentes usam funções matemáticas simples pra modelar as escolhas dos usuários, o que não capta a complexidade de como as pessoas pensam.
2. Dependência de Dados Reais: Os métodos atuais frequentemente exigem conjuntos de dados reais pra iniciar o processo de simulação, levando a uma situação em que eles só conseguem imitar comportamentos conhecidos.
3. Cenários de Simulação Limitados: Métodos tradicionais geralmente focam em um cenário, sem refletir os vários contextos em que o comportamento real dos usuários acontece.

Recentemente, os LLMs mostraram que conseguem entender padrões complexos do pensamento humano através de dados da web. A maioria das atividades dos usuários, como assistir filmes ou conversar com amigos, pode ser expressa em linguagem. Os LLMs aprendem com uma riqueza de informações sobre comportamentos de usuários disponíveis online, tornando-os adequados pra simular ações dos usuários. Eles podem produzir simulações realistas sem precisar de muitos dados do mundo real, abrindo caminho pra novas aplicações.

A gente pretende investigar a possibilidade dos LLMs na simulação de comportamentos de usuários. O cerne da nossa abordagem é uma estrutura de agentes inspirada na neurociência cognitiva. Essa estrutura consiste em três módulos: um módulo de perfil, um módulo de memória e um Módulo de Ação. Depois, a gente cria um ambiente de teste onde os agentes podem interagir, buscar filmes e conversar.

Nossos testes extensivos mostram que os comportamentos simulados que nossa estrutura produz são bem parecidos com os de usuários reais. Pra destacar o potencial do nosso simulador, a gente usa ele pra analisar duas questões sociais bem conhecidas: bolhas de informação e conformidade do usuário. Através das nossas simulações, a gente identifica estratégias pra mitigar esses problemas.

#A Estrutura do Agente

Nosso simulador consiste em agentes baseados em LLM projetados pra imitar comportamentos de usuários. Cada agente tem:

• Módulo de Perfil: Define traços do usuário como idade, interesses e personalidade.
• Módulo de Memória: Permite que os agentes lembrem ações passadas e se adaptem no ambiente.
• Módulo de Ação: Controla como os agentes se comportam em diferentes cenários, como escolher filmes ou conversar.

#Credibilidade dos Comportamentos Simulados

Pra avaliar se nossos comportamentos simulados são críveis, a gente analisa como os agentes agem dentro de um sistema de recomendação e seus comportamentos de conversa e transmissão. Nos nossos testes, comparamos as ações dos nossos agentes com as de usuários reais. Os resultados mostram que nossos agentes conseguem imitar as ações reais dos usuários bem de perto, com apenas pequenas diferenças.

#Bolhas de Informação e Conformidade do Usuário

Usando nosso simulador, a gente examina dois fenômenos sociais: bolhas de informação, onde os usuários só veem conteúdo que combina com suas preferências, e conformidade do usuário, onde as pessoas seguem as opiniões dos amigos. Nossas descobertas sugerem que ambos os problemas podem ser modelados e abordados eficazmente usando nossa simulação.

#O Papel dos Perfis de Usuário

O perfil de cada agente contém detalhes essenciais que moldam seu comportamento. Por exemplo, traços e interesses ajudam a determinar como os agentes interagem com o sistema de recomendação e entre si. A gente gera perfis de usuário usando uma mistura de input manual e métodos automatizados com base em dados existentes. Essa abordagem garante perfis variados e realistas pra nossos agentes.

#Mecânica de Memória

Nossa estrutura emprega um sistema de memória modelado nas funções da memória humana:

• Memória Sensorial: Captura ações imediatas do usuário.
• Memória de Curto Prazo: Retém detalhes relevantes da memória sensorial.
• Memória de Longo Prazo: Armazena informações importantes pra uso futuro.

Esse sistema de memória estruturado permite que os agentes aprendam com interações passadas e usem esse conhecimento na tomada de decisões.

#Processo de Ação

O módulo de ação permite que os agentes realizem várias ações, como buscar itens, navegar em recomendações, conversar ou transmitir. Cada ação é guiada pelo perfil do agente, pelo conteúdo da memória e pelo contexto da tarefa.

#Conclusão

Esse texto apresenta uma nova maneira de simular o comportamento do usuário usando LLMs. A estrutura que desenvolvemos, que inclui módulos de perfil, memória e ação, mostra um grande potencial em produzir comportamentos de usuário críveis. Nossas descobertas sobre bolhas de informação e conformidade do usuário demonstram que tais simulações podem levar a insights e estratégias que melhoram a experiência do usuário em aplicações tecnológicas.

Trabalhos futuros vão focar em refinar o simulador pra aumentar a flexibilidade e adaptabilidade. Acreditamos que essa abordagem pode servir como base para pesquisadores enfrentarem outras simulações complexas de comportamento do usuário em IA centrada no ser humano.