Naukowcy z ArXiv opracowali nowy przepływ pracy do sterowania rolami w modelach językowych przeznaczonych do symulacji społecznych. Metoda polega na definiowaniu profilu roli, ekstrakcji kierunków właściwych dla każdej roli, testowaniu czterech współczynników sterowania oraz ewaluacji zgodności z profilami. Rozwiązanie wprowadza aktywacyjne kierowanie jako alternatywę dla poprzednich podejść opartych na wektorach persona.
Badania przeprowadzone na modelu OLMo-3-7B-Instruct pokazują wyraźną przewagę nowego podejścia. Testując 275 ról z zestawem 228 pytań neutralnych oraz ocenami od GPT-4.1-mini, uzyskano średni wynik zgodności 63,2 punktu w porównaniu do 41,1 dla wcześniejszych metod sterowania osią asystenta. Jednocześnie nowa technika zachowała znacznie wyższą różnorodność leksykalną - wcześniejsza metoda traciła tę właściwość przy wyższych współczynnikach sterowania.
Ważnym odkryciem było spostrzeżenie, że uniwersalne podejście nie działa dla wszystkich ról. Zbadano sześć wymiarów oceny i okazało się, że 38 ról pogorszyło się przy każdym testowanym poziomie sterowania. Oznacza to, że twórcy symulacji powinni indywidualnie dobierać współczynniki dla każdej roli zamiast stosować jednakowe, wysokie ustawienia dla wszystkich. Kod i artefakty ewaluacyjne zostały udostępnione publicznie, co ułatwi dalsze badania w tej dziedzinie.