模拟政策/事件在 7 天内的舆论演变。4 轮 ABM 模型：冷反应 → 初步讨论 → 同伴影响 → 回音室效应。
我们的 4 轮 ABM 社会模拟模型建立在数十年的社会科学研究、经典实验和前沿计算社会科学项目之上。
个体意见如何通过社会互动收敛或极化的数学框架。有界信心模型表明，智能体只受到相似度阈值内的其他人的影响。
人们倾向于在感知自己属于少数派时保持沉默，形成自我强化的螺旋。这是我们第 7 天回音室动力学的理论基础。
Asch 从众实验证明，即使群体明显错误，个体也经常顺从群体共识 — 这是同伴影响轮次的核心机制。
态度变化通过中心路径（理性论据）或外围路径（社会线索）发生。第 1 天冷反应测试中心路径加工；后续轮次引入外围社会压力。
志同道合的个体之间的讨论倾向于将意见推向极端。我们的住房×年龄聚类捕捉到这一效应 — 同质群体在模拟天数中变得更加极端。
75% 的参与者至少一次顺从了明显错误的群体答案。证明了社会压力对个体判断的强大影响力。
65% 的参与者在权威压力下施加了最大"电击"。展示了制度背景如何塑造个体行为 — 与我们的政府政策场景相关。
斯坦福 James Fishkin 的研究表明，知情讨论平均移动意见 10-15pp。我们的多轮设计正是如此：冷反应 → 知情 → 社会影响 → 最终态度。
开创性的基于智能体的模型，证明了复杂社会现象（贫富差距、迁移）可以从简单的智能体规则中涌现。现代 ABM 方法论的基础。
Thomas Schelling 证明，即使个体对同类邻居的偏好很轻微，也会导致宏观层面的极端分离 — 这是我们基于聚类的意见动力学的关键洞察。
社会影响力是强度、即时性和来源数量的函数。我们的模型捕捉到这一点：第 3 天（少量来源）→ 第 5 天（大量来源）→ 第 7 天（高强度+即时性）。
25 个 LLM 驱动的智能体在沙盒小镇中自主形成社会关系、组织活动和传播信息。首次证明 LLM 可以在智能体层面模拟可信的社会动力学。
证明了以人口统计画像为条件的 LLM 可以以 r=0.85 的相关性复制真实调查结果。使用 LLM 智能体作为合成调查受访者的理论基础。
开创了人口普查校准的合成人口生成方法。我们的 17万+ 智能体人口遵循相同方法论：基于官方人口普查微观数据的联合人口统计分布。
论证了基于智能体的模型在政策分析方面优于均衡模型，因为它们能捕捉异质性、有界理性和涌现现象。
覆盖 5 亿+ 欧盟公民的税收福利微观模拟。政府用它来预测试政策影响。我们的方法在人口统计微观模拟基础上增加了 LLM 驱动的行为响应。
资助了使用 AI 扩展民主协商的实验。证明了 AI 辅助的意见收集可以在大幅降低成本和时间的同时保持质量。
我们将人口普查校准的合成人口 × LLM 角色扮演 × 经典意见动力学 ABM × NVIDIA 质量评分，组合成完整的社会模拟流水线。每个智能体拥有 39 维人口统计画像，经过 4 轮社会互动演化，输出可量化、可验证的舆论预测。