تعتبر نماذج اللغة الكبيرة (Large Language Models - LLMs) من الأدوات الواعدة في محاكاة استجابات البشر في الاستبيانات، حيث تفتح الباب أمام تقديم بيانات دقيقة بتكاليف منخفضة. ومع ذلك، واجهت الأساليب الحالية تحديات يتجلى أبرزها في حساسية التحفيز (prompt sensitivity) ودقة النتائج المنخفضة. كما أن الطرق التقليدية للتخصيص غالبًا ما كانت تتماشى فقط مع أنماط بيانات التدريب، مما يجعلها بعيدة عن تحقيق الهدف الأساسي لاستخدامها في محاكاة استجابات الاستبيانات.

لذا، تم تقديم تقنية جديدة تُدعى المحاذاة مع أنماط التوزيع (Distribution Shift Alignment - DSA). تهدف هذه الطريقة، التي تعتمد على مرحلتين من التخصيص، إلى مواءمة كل من توزيعات الناتج والتغيرات في التوزيعات عبر خلفيات متعددة. بدلاً من مجرد محاولة ملاءمة بيانات التدريب، يقوم DSA بتعليم كيفية تحول تلك التوزيعات، مما يؤدي إلى نتائج أقرب بكثير إلى التوزيع الحقيقي مقارنةً ببيانات التدريب.

من خلال التجارب، أثبتت DSA تفوقها باستمرار على الأساليب الأخرى عبر خمسة مجموعات بيانات عامة للاستبيانات. وعلاوة على ذلك، تم إجراء مقارنة شاملة تغطي مجالات الدقة والمرونة وتوفير البيانات. تشير النتائج إلى أن DSA تقلل من الحاجة للبيانات الحقيقية بنسبة تتراوح بين 53.48% و69.12%، مما يوضح فعاليتها وكفاءتها في محاكاة الاستبيانات.