O artigo apresenta a transferência entre pesquisas, um framework rigoroso de avaliação para amostragem em silício onde grandes modelos de linguagem preveem respostas para perguntas completamente diferentes com base nas respostas anteriores do respondente. Usando dados do Estudo de Eleições e Democratização de Taiwan (TEDS) 2024, o estudo avalia três LLMs de peso aberto com parâmetros de 27B a 120B contra linhas de base de aprendizado de máquina supervisionado.
- LLMs zero-shot alcançam 52% de precisão em itens genuinamente não vistos, aproximando-se em apenas 6 pontos percentuais de uma floresta aleatória supervisionada treinada com dados da mesma população.
- Surge uma hierarquia estável de previsibilidade de construtos, variando de 67% para atitudes partidárias até 23% para soberania.
- Efeitos de colapso de variância e alinhamento de segurança são encontrados como mais matizados do que relatado anteriormente; o colapso de variância afeta também modelos supervisionados, e os efeitos de alinhamento variam dramaticamente entre famílias de modelos.
Esses achados esclarecem tanto as promessas quanto os limites da amostragem em silício, demonstrando que LLMs podem efetivamente complementar a pesquisa tradicional de pesquisas por meio de previsão em nível individual.