Einleitung – Datengetriebene Erkenntnisse trotz kleiner Budgets
Stell dir vor, deine neue Werbekampagne geht morgen live. Wärst du nicht beruhigter, wenn du heute schon wüsstest, wie deine Zielgruppe darauf reagiert? Klassische Marktforschung braucht dafür Wochen. Mit den digitalen Zwillingen von neuroflash erhältst du die Antwort beinahe sofort.
Marktforschung gehört zu den wichtigsten Grundlagen erfolgreicher Entscheidungen. Doch klassische Methoden – Umfragen, Interviews oder Panels – sind zeitaufwändig, teuer und beschränkt auf Personen, die an Umfragen teilnehmen möchten. Besonders im B2B-Bereich mit spezialisierten Zielgruppen stoßen traditionelle Befragungen schnell an Grenzen: Wenig Teilnehmer, hohe Incentives und wochenlange Durchführungszeiten. Hier kann KI unterstützen: Mithilfe großer Sprachmodelle werden digitale Zwillinge erzeugt, die echte Kundenreaktionen realitätsnah simulieren. Was hat es mit diesem „Silicon Sampling“ auf sich, wie funktioniert es und welchen Nutzen bietet es insbesondere Marketing-Teams in kleinen und mittelständischen Unternehmen? Diese Fragen beleuchtet der folgende Beitrag – verständlich für jeden, der datengetriebene Entscheidungen mag.
KI-basierte Zielgruppen - Was sind digitale Zwillinge?
Das Nutzen Digitaler Zwillinge bezeichnet eine neue Methode der Marktforschung, bei der anstelle echter Umfrage-Teilnehmer KI-Modelle in die Rolle von Konsumenten schlüpfen. Konkret werden Large Language Models (LLMs) – z.B: die neusten GPT Modelle – so konditioniert, dass sie Personen mit bestimmten demografischen Merkmalen und Verhaltensweisen simulieren (Aher, Arriaga, & Kalai, 2023). Das KI-Modell generiert also digitale Zwillinge und beantwortet Fragen so, wie es ein echter Mensch dieser Zielgruppe tun würde.
Studien zeigen, dass ein ausreichend trainiertes Sprachmodell feinste Unterschiede zwischen verschiedenen Teilgruppen abbilden kann (Stichwort algorithmic fidelity) und distributionsgetreu antwortet (Argyle et al., 2023; Motoki et al., 2023). Einfach ausgedrückt: Die KI imitiert z.B. die Denkweise einer 35-jährigen Marketing-Managerin oder eines 50-jährigen Einkaufsleiters erstaunlich nuanciert – einschließlich der Einstellungen, Vorlieben und Spracheigenheiten, die für diese Persona typisch sind.
Diese digitalen Zwillinge ermöglichen es, Meinungen und Reaktionen einzuholen, ohne einen einzigen realen Probanden zu befragen. Die Methode wurde erstmals 2022/23 in wissenschaftlichen Experimenten erprobt (u.a. Aher et al., 2023; Argyle et al., 2023) und seitdem stetig verfeinert. neuroflash überführt diese Idee nun in die Unternehmenspraxis: Statt aufwendig eigene Umfragen durchzuführen, können Unternehmen die KI „befragen“ und erhalten dennoch valide, fast menschengleiche Antworten – schnell, flexibel und kosteneffizient.
Warum digitale Zwillinge einsetzen?
KI-Zwillinge bieten gegenüber herkömmlicher Marktforschung eine Reihe handfester Vorteile:
- Präzision & Erkenntnistiefe: Trotz aller Skepsis gegenüber KI – in vielen Fällen bilden die Antworten eines LLM reale Meinungsverteilungen schon heute erstaunlich genau ab. Mehrere Studien fanden hohe Übereinstimmungsraten im Vergleich zu echten Umfragewerten (Motoki et al., 2023), in der Regel ~80% und mehr. Die Forschung zeigt, dass LLMs öffentliche Meinungen vorhersagen können (Chu et al., 2023). Mit anderen Worten: Die KI liegt mit ihren „Meinungen“ nur minimal neben den tatsächlichen Ergebnissen, die man von einer menschlichen Stichprobe bekommen würde. Die generierten Antworten sind zudem konsistent und detailreich – oft werden ähnliche Schlüsselthemen und Begründungen genannt wie in echten Interviews. Für Marketer bedeutet das: digitale Zwillinge liefern verwertbare Insights, die in der Realität Bestand haben (Brand et al., 2023).
- Schnelligkeit & Flexibilität: Ergebnisse liegen quasi in Echtzeit vor. Anstatt erst Fragebögen zu versenden und auf Rücklauf zu warten, generiert die KI binnen Minuten umfassende Datensätze mit Konsumenten-Feedback (Ke, Zhao, & McAuley, 2024). Das ermöglicht es, spontan neue Ideen, Inhalte oder Hypothesen zu testen. Auch Anpassungen sind unkompliziert – Fragen lassen sich jederzeit umformulieren, Zielparameter verändern – die virtuellen Teilnehmer stehen 24/7 zur Verfügung, ohne müde zu werden.
- Kosteneffizienz: Traditionelle Marktforschung ist teuer – besonders, wenn spezielle B2B-Segmente erreicht werden sollen. Ein repräsentatives Experten-Panel aufzubauen oder Entscheider-Interviews zu führen, ist häufig mit viel Geld verbunden, teilweise weit über 100.000Eur/Studie. Digitale Zwillinge dagegen verursacht nur einen Bruchteil der Kosten. So bietet neuroflash mit nur 999Eur/Monat die Möglichkeit für unlimitierte Studien mit bis zu 5.000 Befragten digitalen Zwillingen. Zum Vergleich: Eine vergleichbare Befragung mit realen Teilnehmern hätte über 10.000Eur gekostet und mehrere Wochen erfordert (Brand, Israeli, & Ngwe, 2023).
Wie werden digitale Zwillinge befragt?
Damit eine KI als virtueller Stellvertreter echter Personen dienen kann, muss man sie geschickt mit den relevanten Eigenschaften der gewünschten Zielgruppe „füttern“. Die Methode läuft in drei Schritten ab (Argyle et al., 2023):
1. Digitale Zwillinge erstellen: Zunächst wird vom Kunden eine Persona-Beschreibung geliefert. Man definiert demografische Merkmale (Alter, Geschlecht, Bildung, Beruf etc.), ggf. Branchenzugehörigkeit, sowie bekannte Verhaltensweisen und Einstellungen (Interessen, Mediennutzung, Kaufverhalten usw.). Je detaillierter und realistischer dieses Profil, desto überzeugender die simulierten Antworten. (In wissenschaftlichen Studien wurden z.B. echte Profil-Daten genutzt, um die KI mit vielfältigen Hintergrundgeschichten zu konditionieren.) Für ein Unternehmen könnte man zum Beispiel einen „typischen Kunden“ beschreiben: „42-jähriger IT-Leiter in einem mittelständischen Industriebetrieb, technisch versiert, liest Fachmagazine wie X, legt Wert auf Datensicherheit und Budgeteffizienz.“.
2. Antworten durch die KI generieren: Anschließend werden dem Modell konkrete Marktforschungsfragen gestellt – etwa zu Produktideen, Werbebotschaften oder Kaufkriterien. Die KI antwortet nun so, wie es die definierte Persona tun würde (Aher et al., 2023). Wichtig ist hier hochwertige Prompt-Formulierungen, das richtige Modell und die beste Datenbasis zu nutzen, damit die KI wirklich in die Rolle schlüpft. Denn die Forschung zeigt, dass nur gut eingestellte LLMs sehr plausible, menschliche Antworten liefern – inklusive Begründungen, Prioritäten und sogar emotionaler Färbung, die zum Profil passt (Motoki et al., 2023). Dieses role playing der KI macht die generierten Antworten so wertvoll, weil sie Echtheit vermitteln und kein generisches Blabla.
3. Muster analysieren: Im letzten Schritt werden die KI-Antworten gesammelt und ausgewertet – im Grunde wie bei einer normalen Umfrage Analyse. Man kann Häufigkeiten und Trends identifizieren, offene Antworten nach Themen clustern oder unterschiedliche virtuelle Sub-Gruppen vergleichen. Spannend ist, dass sich in diesen Daten ähnliche Muster zeigen wie in echten Befragungen. So korrelieren die durch KI simulierten Präferenzen und Meinungen in Studien nachweislich sehr stark mit den Ergebnissen realer Befragungen (Argyle et al., 2023; Motoki et al., 2023). Die Ergebnisse lassen sich anschließend visualisieren und genau wie klassische Marktforschungs-Insights interpretieren. Wichtig: Natürlich sollte man die KI-Ergebnisse – besonders wenn es kontroverse oder strategisch heikle Fragen sind – nicht blind vertrauen, sondern als ergänzenden Insight sehen. Doch sie liefern einen schnellen, indikativen Eindruck, der oft schon in die richtige Richtung weist und weitere Tests priorisieren hilft (Ke et al., 2024).
Die neuroflash’s Methode: Human-Grounded AI Sampling
Während viele Anbieter digitale Zwillinge auf Basis allgemeiner demografischer Prompts oder Medienkonsumdaten betreiben, geht neuroflash noch einen Schritt weiter: Unsere virtuellen Zielgruppen werden nicht nur statistisch modelliert, sondern tiefenpsychologisch fundiert und mit echten humanwissenschaftlichen Profilen verankert.
Bereits seit 2017 forschen wir an Methoden zur Simulation menschlichen Verhaltens in digitalen Systemen. Angefangen bei schlanken Word2Vec-Modellen über die ersten Transformer-Modelle (BERT) bis hin zu heutigen generativen LLMs haben wir die Entwicklung stets nicht nur begleitet, sondern durch eigene methodische Beiträge geprägt – insbesondere mit Fokus auf verhaltenspsychologische Realitätstreue.
Unsere Basis: Ein eigener kuratierter Datensatz mit tausenden realen Panel-Profilen, in denen einzelnen Personen über 500 Fragen gestellt wurden – zu ihren Werten, Emotionen, Autoritätsbezügen, Alltagsnormen und sozialen Orientierungsmustern. Die Fragen sind tief in der evolutionären Psychologie, Soziologie und modernen Persönlichkeitsforschung verankert. So lassen sich z. B. Unterschiede in Autoritätshörigkeit, normativen Leitbildern oder politisch-moralischen Grundhaltungen identifizieren – entscheidende Faktoren für realitätsnahe Konsumentenprofile.
Diese echten Profile dienen uns als Blueprint für die Erstellung unserer Digital Twins:
- Jede simulierte Persona basiert auf einem echten, in sich konsistenten und menschlich komplexen Fall.
- Bei Bedarf werden Informationen sinnvoll ergänzt, um die Anforderungen des Auftraggebers möglichst exakt abzubilden.
- Durch diese Vorgehensweise erreichen wir eine höhere „human fidelity“: Unsere digitalen Zwillinge liefern nicht nur statistisch plausible Durchschnittsantworten – sondern zeigen auch starke Meinungen, abweichende Perspektiven und psychologisch begründbare Haltungen.
Zudem verfügen wir über jahrelange Erfahrung im Umgang mit Bias, sozialer Erwünschtheit und kognitiven Verzerrungen – sowohl auf technischer als auch psychologischer Ebene. Unsere Expertise wurde bereits von führenden Unternehmen wie Beiersdorf, Volkswagen, Adidas, diversen Versicherern, Banken und internationalen Agenturnetzwerken genutzt.
Fazit: Was neuroflash einzigartig macht, ist nicht nur der technologische Zugang zu LLMs – sondern die Verbindung aus Datenpsychologie, KI-Architektur und empirischer Humanforschung. Unsere Kunden erhalten damit digitale Zwillinge, die nicht generisch, sondern echte digitale Zwillinge sind – fähig, authentisch und differenziert zu antworten.
Anwendungsbereiche: Was lässt sich mit virtuellen Zielgruppen erforschen?
Die Einsatzmöglichkeiten sind nahezu unbegrenzt – überall dort, wo Unternehmen die Meinungen oder das Verhalten ihrer (potenziellen) Kunden besser verstehen möchten, können digitale Zwillinge zum Einsatz kommen (Brand et al., 2023). Gleichzeitig gilt es, bestimmte Grenzen der Methode im Blick zu behalten, um die Ergebnisse angemessen zu interpretieren.
✅ Typische Einsatzfelder
- Markenbotschaften & Kommunikation Marketing-Teams können testen, welche Botschaften oder Werbeslogans bei verschiedenen Zielgruppen ankommen. Die KI-Personas reagieren auf Kampagnenideen und liefern Rückmeldungen. So lässt sich schnell erkennen, ob z. B. ein bestimmter Tonfall bei Tech-Experten besser funktioniert als bei Business-Generalisten – oder welche Produktvorteile besonders hervorzuheben sind.
- Produkt- und Konzepttests Noch vor dem Markteintritt eines Produkts oder Features lässt sich die digitale Zielgruppe befragen: Wie wird die Idee wahrgenommen? Welche Funktionen sind besonders wichtig? Wären sie bereit, dafür zu zahlen? So kann frühzeitig Feedback eingeholt werden – ohne kostspielige Testmärkte oder Fokusgruppen. Selbst spezifische B2B-Kontexte – wie z. B. Rückmeldungen von Einkaufsentscheidern zu einem SaaS-Angebot – lassen sich simulieren, was aufgrund kleiner Stichproben sonst schwierig wäre.
- Meinungs- und Trendprognosen Wie würde meine Kundengruppe auf Marktveränderungen reagieren? Was passiert, wenn ein neuer Wettbewerber auftaucht oder sich Rahmenbedingungen ändern? Mithilfe der KI lassen sich hypothetische Szenarien durchspielen. Auch gesellschaftliche Trends oder politische Entwicklungen können in ihrer Wirkung auf die Zielgruppe abgeschätzt werden (Chu et al., 2023). Beispiel: „Wie würden unsere Kunden auf eine Preissteigerung von 10 % reagieren?“ – Die simulierten Antworten geben zumindest eine erste Einschätzung, ob Akzeptanz oder Unzufriedenheit überwiegen würde.
⚠️ Wichtige Einschränkungen
- Die Nutzung von KI erfordert Verhaltensänderung. Der effektive Einsatz von KI-Tools bedeutet eine Umstellung im Arbeitsalltag. Es braucht Zeit und Einarbeitung, um den Umgang mit Software zu lernen und zu verstehen, wie die Antworten in täglichen Arbeiten integriert werden können. Ohne entsprechendes Training oder Akzeptanz wird das Potenzial oft nicht voll ausgeschöpft.
- Generische Antworten ohne Prompt-Tuning. Sprachmodelle liefern ohne gezielte Anweisungen häufig allgemeine oder oberflächliche Antworten. Nur durch präzise formulierte Prompts oder strukturierte Vorlagen lassen sich differenzierte und zielgruppengerechte Aussagen generieren.
- Aktuelle Trends müssen aktiv eingebunden werden. Ohne zusätzlichen Kontext erfassen Sprachmodelle aktuelle Marktentwicklungen oft nur unzureichend. Daher braucht es entweder aktualisierte Modelle, den Einsatz neuerer Versionen oder gezielte Informationszufuhr, etwa durch Retrieval-Augmented Generation (RAG) oder manuelle Ergänzungen.
- Preisprognosen bleiben herausfordernd. Die Vorhersage von zahlungsbereiten Preispunkten oder präferierten Preis-Leistungs-Verhältnissen ist mit KI-Modellen derzeit nur begrenzt möglich. Gerade im B2B-Bereich bedarf es zusätzlicher empirischer Kalibrierung, um aussagekräftige Ergebnisse zu erhalten.
- Bewertung von Bildern funktioniert – ist aber noch nicht validiert. Zwar können KI-Personas heute bereits visuelle Inhalte bewerten (z. B. Werbemotive), doch die Qualität dieser Einschätzungen ist wissenschaftlich noch nicht ausreichend validiert. Diese Resultate sollten daher mit Bedacht interpretiert werden, bis fundierte Benchmarks vorliegen.
Vorteile für kleine und mittelständische Unternehmen
Gerade KMUs profitieren von dieser KI-Methode enorm. Viele Insights, die früher nur großen Konzernen mit entsprechenden Marktforschungs-Budgets vorbehalten waren, werden nun niederschwellig zugänglich. Die wichtigsten Pluspunkte im Überblick:
- Marktforschung trotz knappem Budget: digitale Zwillinge ermöglichen es, zielgenaue Fragen zu stellen und valide Daten zu erhalten, ohne große Investitionen. Selbst mit kleinem Marketing-Budget kann man regelmäßige Umfragen „simulieren“ und datenbasiert arbeiten. Das Prinzip „mehr wissen für weniger Geld“ wird Realität – ein echter Wettbewerbsvorteil für KMUs (Ke et al., 2024).
- Blitzschnelle Kunden-Insights: Anstatt Wochen auf Ergebnisse zu warten, stehen Erkenntnisse sofort zur Verfügung. Das erlaubt eine agile Vorgehensweise – Kampagnen können in Echtzeit optimiert, Content-Ideen sofort validiert und Entscheidungen beschleunigt werden (Argyle et al., 2023). In der schnelllebigen Geschäftswelt heutiger Märkte ist dieser Zeitgewinn Gold wert.
- Neue Datenquellen als Ergänzung: Digitale Zwillinge muss nicht als Ersatz, sondern kann ergänzend zu klassischen Methoden genutzt werden. KI-generierte Daten bringen zusätzliche Tiefe und Winkel in die Analyse, die man aus kleinen realen Samples allein vielleicht nicht herauslesen könnte. Beispielsweise kann eine KI-Auswertung Hinweise auf implizite Bedürfnisse oder Wortlauten geben, die in einer quantitativen Umfrage so nicht erfasst würden. Unternehmen erhalten dadurch ein reicheres Gesamtbild und können Hypothesen generieren, die anschließend in der Realität überprüft werden. Die Forschung sieht hierin ein großes Potenzial, LLMs als „Subpopulation Representative Models“ einzusetzen, um Meinungen verschiedener Teilsegmente zuverlässiger abzubilden (Wang, Zhang, & Zhang, 2023).
Nicht zu vergessen: Diese KI-Methode skaliert praktisch nach Bedarf. Ob man 50 oder 5.000 simulierte Teilnehmer „befragen“ möchte, macht kaum einen Unterschied in Zeit und Kosten – ein Skalenvorteil, von dem kleine Unternehmen besonders profitieren.
Fazit – KI-gestützte Marktforschung als Gamechanger
Die Verwendung von digitalen Zwillingen eröffnet völlig neue Möglichkeiten, Kundenverständnis zu gewinnen (Aher et al., 2023). Unternehmen – und hier vor allem KMUs – erhalten quasi per Knopfdruck Insights, für die früher viel Aufwand nötig gewesen wäre. Natürlich ersetzt diese Methode nicht in allen Fällen die herkömmliche Marktforschung. Aber sie ist ein effizientes Werkzeug, um schnell Hypothesen zu testen, erste Trends abzulesen und fundiertere Entscheidungen zu treffen, bevor man große Budgets einsetzt (Brand et al., 2023).
Die bisherigen wissenschaftlichen Ergebnisse sind ermutigend: Die Antworten der KI stimmen in vielen Szenarien eng mit echten Umfragewerten überein (Motoki et al., 2023), folgen ökonomischen Gesetzmäßigkeiten (z.B. realistisches Preis-Wert-Empfinden) und liefern qualitative Einblicke, die den menschlichen Denkprozessen nahekommen (Argyle et al., 2023). Gleichzeitig sollte man sich der aktuellen Grenzen bewusst sein – etwa dass KIs gewisse Biases ihrer Trainingsdaten mitbringen oder bei sehr speziellen Nischenfragen an ihre Grenzen stoßen. Doch die Technologie entwickelt sich rasant weiter, und mit jedem LLM-Upgrade steigt die Fidelity der Simulation (Ke et al., 2024).
Für Marketingverantwortliche bedeutet das: Jetzt einsteigen, Erfahrungen sammeln und digitale Zwillinge als ergänzende Insight-Quelle nutzen. So kann man Trends schneller erkennen, Maßnahmen zielgerichteter planen und insgesamt smartere Marketingentscheidungen treffen – wissenschaftlich validiert und zugleich pragmatisch im Alltag. Die „Digitale Zwillinge“-Methode von neuroflash macht modernste KI-Forschung damit direkt anwendbar für die Praxis und hilft gerade kleineren Unternehmen, datengetrieben auf Augenhöhe mit größeren Wettbewerbern zu agieren.
Zusammenfassung zum Teilen
Digitale Zwillinge von neuroflash für datengestützte Entscheidungen
Die digitale Zwillinge-Methode von neuroflash verbessert datengetriebene Entscheidungen, indem sie mithilfe neuester KI-Modelle virtuelle Zielgruppen erstellt. Diese simulierten Konsumenten reagieren fast genauso präzise wie echte Menschen – schnell, flexibel und kosteneffizient.
Kernvorteile auf einen Blick:
- Hohe Präzision: Studien bestätigen, dass die Antworten der digitalen Zwillinge zu ~80-85 % mit echten menschlichen Umfragen übereinstimmen, wodurch tiefgehende und belastbare Insights erzielt werden.
- Schnelligkeit & Flexibilität: Ergebnisse liegen in Echtzeit vor und ermöglichen es, kurzfristig neue Ideen, Hypothesen und Werbebotschaften zu testen.
- Enorme Kosteneffizienz: Im Vergleich zu traditionellen Methoden sinken Kosten drastisch (Beispiel: neuroflash bietet unbegrenzte Studien für 999 EUR/Monat gegenüber traditionellen Befragungen von über 10.000 EUR pro Studie).
- Fundierte psychologische Validität: neuroflash verankert seine digitalen Zwillinge in tiefenpsychologisch fundierten und empirisch validierten Profilen. Dadurch entstehen authentische, komplexe und differenzierte Antworten – keine generischen KI-Outputs.
- Optimierte KI-Technologie: neuroflash kombiniert drei unterschiedliche KI-Modelle (Word2Vec, BERT, GPT), um die jeweiligen Stärken (aktuelle Daten, semantische Präzision, generative Flexibilität) optimal zu nutzen.
Anwendungsbereiche sind vielfältig:
- Sofortige Tests von Werbebotschaften und Inhalten
- Agile Produkt- und Konzepttests
- Schnelle Meinungs- und Trendprognosen
Insbesondere für kleine und mittelständische Unternehmen bietet neuroflash eine nie dagewesene Möglichkeit, ohne großen finanziellen Aufwand schnelle, valide und praxisnahe Marktforschung zu betreiben.
Fazit: Digitale Zwillinge von neuroflash liefern rasch belastbare und kostengünstige Insights. Diese innovative Methode ergänzt oder ersetzt teilweise traditionelle Marktforschung, beschleunigt datenbasierte Entscheidungen und verleiht Unternehmen jeder Größe einen Wettbewerbsvorteil.
Literaturverzeichnis
Aher, G., Arriaga, R. I., & Kalai, A. T. (2023). Using large language models to simulate multiple humans and replicate human subject studies. arXiv preprint arXiv:2208.10264. https://arxiv.org/abs/2208.10264
Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., & Wingate, D. (2023). Out of one, many: Using language models to simulate human samples. arXiv preprint arXiv:2302.07257. https://arxiv.org/abs/2302.07257
Bhatia, S. (2023). Inductive reasoning in minds and machines. Psychological Review, 130(4), 734–752. https://doi.org/10.1037/rev0000446
Brand, J., Israeli, A., & Ngwe, D. (2023). Using GPT for market research. SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4395751
Brown, T. B., Mann, B., Ryder, N., et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901. https://doi.org/10.48550/arXiv.2005.14165
Caliskan, A., Bryson, J. J., & Narayanan, A. (2017). Semantics derived automatically from language corpora contain human-like biases. Science, 356(6334), 183–186. https://doi.org/10.1126/science.aal4230
Chu, S., Goyal, P., Gottipati, S., Wang, X., Li, J., Levy, R., & Zhang, Y. (2023). Language models trained on media diets can predict public opinion. arXiv preprint arXiv:2303.16779. https://arxiv.org/abs/2303.16779
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. https://doi.org/10.18653/v1/N19-1423
Ke, L., Zhao, Z., & McAuley, J. (2024). Speed vs. fidelity: A benchmarking study of LLMs for simulated respondent sampling. arXiv preprint arXiv:2402.18144. https://arxiv.org/abs/2402.18144
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781. https://arxiv.org/abs/1301.3781
Motoki, K., Lin, Y., Albarracín, D., & Wu, C. M. (2023). Evaluating the fidelity of large language models in simulating human survey responses. arXiv preprint arXiv:2309.06364. https://arxiv.org/abs/2309.06364
Park, J. S., Zou, C. Q., Shaw, A., Cao, J., Berger, B., Hill, B. M., & Macy, M. W. (2024). Generative agent simulations of 1,000 people. arXiv preprint arXiv:2411.10109. https://arxiv.org/abs/2411.10109
Wang, M., Zhang, D. J., & Zhang, H. (2023). Large language models as subpopulation representative models: A review. arXiv preprint arXiv:2310.17888. https://arxiv.org/abs/2310.17888
