Cyfrowe bliźniaki oparte na dużych modelach językowych mają za zadanie przewidywać, jak konkretne osoby odpowiadałyby na nowe pytania, bazując na ich wcześniejszych odpowiedziach. Polskie naukowców skupiło się na tym, jak najlepiej strukturyzować historyczne dane ankietowe, by przekazać je modelowi. Zamiast podawać surowe transkrypty z wszystkimi pytaniami i odpowiedziami, zaproponowali schemat BDE - organizujący każdą historię respondenta na trzy elementy: Background (tło i kontekst), Decision procedure (jak osoba podejmuje decyzje) oraz Evaluation (jak ocenia opcje).
Testowanie przeprowadzono na zbiorze Twin-2K-500, porównując dokładność przewidywań na 17 różnych zadaniach. Strukturyzowany profil BDE osiągnął wzrost dokładności o 1,27 punktu procentowego na gpt-5.4-nano i 1,19 pp na gpt-5.4-mini w stosunku do surowego transkryptu, przy statystycznej istotności p < 0,01. Szczególnie widoczna była przewaga przy przewidywaniu decyzji cenowych - tam różnica sięgnęła 2,15 pp na modelu nano. Dodanie komponentu Evaluation do podstawowego profilu Background-Decision przyniosło wzrost dokładności o 1,44 pp na nano i 1,22 pp na mini.
Badanie sugeruje, że projektowanie cyfrowych bliźniaków to nie tylko kwestia ilości informacji, ale przede wszystkim ich inteligentnej organizacji. Wyniki mogą mieć znaczenie dla systemów personalizacji, rekomendacji i symulacji zachowań użytkowników w biznesie.