超越静态快照：利用大型语言模型进行群体层面价值演变的动态建模与预测

社会模拟对于挖掘复杂的社会动态和实现数据驱动的决策至关重要。基于大型语言模型（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。现有基于LLM的方法主要关注离散时间点上的群体层面价值观，将其视为静态快照，而非动态过程。然而，群体层面的价值观并非固定不变，而是受长期社会变化的影响。因此，对这些动态过程的建模对于准确预测社会演变具有重要意义，这也是数据挖掘和社会科学领域的一个关键挑战。由于纵向数据有限、群体异质性以及复杂的历史事件影响，这一问题尚未得到充分研究。为弥补这一不足，本文提出了一种新的框架，通过将历史价值轨迹整合到基于LLM的人类响应建模中，实现群体层面的动态社会模拟。我们选取中国和美国作为代表性背景，在四个核心社会人口统计维度（性别、年龄、教育程度、收入）上进行分层模拟。利用世界价值观调查（WVS），我们构建了一个多轮次、群体层面的纵向数据集，以捕捉历史价值演变，并提出了首个基于事件的预测方法，统一了社会事件、当前价值状态和群体属性。在五个LLM家族上的评估显示显著提升：在已见问题上最大提升了30.88%，在未见问题上提升了33.97%。此外，我们还发现明显的跨群体异质性：美国群体比中国群体更具波动性，两国的年轻群体对外部变化更为敏感。这些发现推进了基于LLM的社会模拟，并为社会科学家理解与预测社会价值变化提供了新的见解。