超越静态快照：利用大语言模型对群体层面价值演化的动态建模与预测

社会模拟对于挖掘复杂社会动态和支撑数据驱动决策至关重要。基于大语言模型（LLM）的方法通过模仿人类社会问卷回答来建模群体行为，已成为该任务的重要工具。现有LLM方法主要关注离散时间点上的群体价值观，将其视为静态快照，而忽视了其作为长期社会变化结果的动态特性。为此，本文提出了一种新的框架，将历史价值轨迹整合到LLM的人类响应建模中，并选取中国和美国作为代表背景，在四个核心社会人口统计维度上进行分层模拟。利用世界价值观调查构建多轮、群体层面的纵向数据集，捕捉历史价值演变，并首次提出基于事件的预测方法，统一社会事件、当前价值状态和群体属性。实验结果显示，该方法在多个LLM家族中均取得显著提升，且发现不同群体间存在显著异质性。这些发现推动了基于LLM的社会模拟研究，并为社会科学家理解与预测社会价值变化提供了新视角。