Twin-2K-500
קוד פתוחLLM-Digital-Twincc-by-4.02025-05-15
מאגר נתונים פסיכולוגי ודמוגרפי מפורט של 2,058 נסקרים אמריקאים שנאסף בארבעה שלבים. הוא מיועד לסימולציה של התנהגות אנושית ובדיקה אם מודל שפה מסוגל לחזות החלטות של אדם ספציפי.
- 1,895הורדות בחודש
- 31לייקים
מה זה
המאגר מבוסס על שאלונים רחבים שנערכו בארבעה גלי איסוף דרך קוולטריקס. שלושת הגלים הראשונים יצאו בהפרש של שבוע וכללו שאלות דמוגרפיות, מבחני ביצועים קוגניטיביים, העדפות כלכליות וניסויים בכלכלה התנהגותית. הגל הרביעי נערך שבועיים לאחר מכן וחזר על ניסויי היוריסטיקות והטיות כדי לבדוק עקביות במענה לאורך זמן.
התוכן מאורגן בחמש תיקיות עיקריות. יש שם קובצי פרסונה מלאים בטקסט ובמבנה JSON שמסכמים את כלל התשובות לכל משתתף, פיצול אימון ובדיקה בין שלושת הגלים הראשונים לגל הרביעי, וקטלוג של 256 מזהי שאלות שמכסים כ־500 שאלות בפועל. בנוסף יש תיקייה עם פלטים מסימולציות של מודלים כמו GPT-4.1-mini ו־Gemini-Flash-2.5 מול תשובות האדם האמיתי, ותיקיית נתונים גולמיים ומנוכשים.
מתאים ל
- בדיקת חיזוי החלטות אנושיות
הזנת נתוני הגלים הראשונים של משתתף לפרומפט ובדיקה אם המודל חוזה נכון את תשובותיו בניסויי הגל הרביעי.
- אימון מודל לתפקידי פרסונה
כוונון עדין של מודלי שפה על פרופילי ה־JSON כדי לייצר סוכנים שמחקים עקביות פסיכולוגית ודמוגרפית.
- השוואת ביצועי מודלים
שימוש בתוצאות הסימולציה המוכנות שבמאגר להשוואת דיוק התשובות בין מודלים שונים לנתוני האמת.
איפה זה נופל
כל הנתונים מבוססים על דיווח עצמי של 2,058 משתתפים מארצות הברית בלבד ובשפה האנגלית. אין כאן ייצוג לאוכלוסייה ישראלית, תרבות מקומית או שפות נוספות. המפרסמים מצביעים בפירוש על הטיות מובנות של בחירה עצמית ונטייה של נסקרים לענות לפי רצוי חברתי, כך שתשובות בסקר לא תמיד משקפות התנהגות אמיתית בשטח. בנוסף מדובר בנקודת זמן אחת סביב מאי 2025, ולא בנתון שמתעדכן באופן שוטף.
שאלות
נפוצות
האם מותר להשתמש בדאטהסט לפיתוח מוצר מסחרי?
כן, רישיון CC BY 4.0 מתיר שימוש מסחרי מלא. צריך רק לתת ייחוס ברור לחוקרים שפרסמו את המאגר לפי ההנחיות. אין שום מגבלה על מכירת המודל או השירות שתפתחו בעזרתו.
האם יש במאגר תמיכה בעברית?
לא, הנתונים כולם באנגלית ומבוססים על שאלונים שנערכו בארצות הברית. שימוש בפרופילים האלה למוצר בעברית ידרוש תרגום מראש, ועדיין ישקף נורמות תרבותיות והתנהגותיות אמריקאיות.
מה בדיוק נאסף מהמשתתפים?
המשתתפים ענו על כ־500 שאלות בארבע פעימות שונות. השאלות כוללות מאפיינים דמוגרפיים, שאלונים פסיכולוגיים, מדידת ביצועים קוגניטיביים וניסויים בכלכלה התנהגותית הבודקים הטיות ויוריסטיקות.
למה יש במאגר תוצאות ריצה של מודלים קיימים?
החוקרים כללו תוצאות של מודלים כמו GPT-4.1-mini כדי לחסוך עלויות הרצה ולתת בסיס להשוואה. אפשר לבדוק ישירות בקובצי ה־CSV איך המודלים האלה תפקדו ביחס לאנשים האמיתיים בלי להריץ את הניסוי מחדש.
איך טוענים
טוענים את הנתונים ישירות דרך הספרייה הרגילה של Hugging Face באמצעות ציון שם התצורה, למשל full_persona או wave_split. אין צורך בבקשת גישה מיוחדת או אישור ידני, המאגר פתוח להורדה ישירה. הקבצים במאגר מגיעים בפורמטים של CSV ו־JSON. העבודה מול הפיצול המובנה דורשת שימוש ב־pid כמפתח זיהוי, שליפת הטקסט או ה־JSON של שלושת הגלים הראשונים לקלט, והשוואה למענה האמיתי בגל הרביעי כ־Ground Truth.
from datasets import load_dataset
ds = load_dataset("LLM-Digital-Twin/Twin-2K-500")הרישיון
המאגר מופץ תחת רישיון CC BY 4.0. מותר להשתמש בו לצרכים מסחריים ולמחקר, לשנות את הנתונים ולבנות עליהם מודלים. התנאי היחיד הוא מתן קרדיט מתאים ליוצרים וקישור לרישיון המקורי. אין דרישה לשתף תוצרי המשך תחת אותו הרישיון, מה שמשאיר את תוצרי האימון בבעלותכם המלאה.
- שימוש מסחרי
- שינוי הקוד
- חובת ייחוס