发表机构
University of California, Berkeley（加利福尼亚大学伯克利分校）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
介绍开源平台记忆回溯，用于大规模背景条件调查模拟。它运用大语言模型，基于文集和他性框架，支持多模态调查。通过案例研究评估，其产生的意见分布更接近真实数据，为专有模拟服务提供替代。
AI 中文摘要
我们展示了记忆回溯（Anamnesis），这是一个使用大语言模型进行人口统计学可控调查模拟的交互式系统。它是开源的，面向非技术用户/研究人员，能在虚拟人群而非真实人类受试者上对调查工具进行原型设计和压力测试。该平台在统一的网络界面中实现了最近引入的文集（Anthology）和他性（Alterity）框架，这些框架使用结构化叙述背景来调节模型响应。它支持开放式生成、概率性人口统计学重新采样以及多模态（图像和音频）调查。我们通过两个案例研究对该系统进行评估：一是复制皮尤研究中心美国趋势小组（ATP）在政治类型学和生物医学问题上的部分内容，二是模拟《纽约客》标题竞赛中的人类偏好。在这两个案例中，记忆回溯产生的意见分布比标准的角色提示基线更接近真实世界的调查数据，为专有模拟服务提供了一个透明、可重复且开源的替代方案。
英文摘要
We present Anamnesis, an interactive system for demographically controllable survey simulation using large language models. Open-source and designed for non-technical users/researchers, Anamnesis enables the prototyping and stress-testing of survey instruments on virtual populations rather than real human subjects. The platform operationalizes the recently introduced Anthology and Alterity frameworks, which use structured narrative backstories to condition model responses, within a unified web interface. It supports open-ended generation, probabilistic demographic resampling, and multimodal (image and audio) surveys. We evaluate the system through two case studies: (1) replicating segments of Pew Research Center's American Trends Panel (ATP) on political typology and biomedical issues and (2) emulating human preference in the New Yorker Caption Contest. In both cases, Anamnesis produces opinion distributions that more closely match real-world survey data than standard persona-prompting baselines, offering a transparent, reproducible, and open-source alternative to proprietary simulation services.
CommentsAccepted to EMNLP 2026 Demo. Platform site: https://simulate.group/
