---
title: "PRISM Alignment: Prüfung des Participant-Fit bei zurückgehaltenen Antworten"
description: "Ein Vergleich anhand von 299 Personen und 869 Items untersucht mit verblindetem LLM-Judge und klaren Aufgabengrenzen, ob fundierte Minds Werte und Begründungen von Teilnehmenden besser abbilden."
canonical_url: "https://getminds.ai/research/de/prism-alignment-participant-fit-validation"
last_updated: "2026-09-08T23:01:34.078Z"
---

# PRISM Alignment: Prüfung des Participant-Fit bei zurückgehaltenen Antworten

In einem konfirmatorischen Vergleich anhand des externen PRISM Alignment Dataset gewannen vollständige Minds 32.6% der verblindeten Participant-Fit-Bewertungen, verglichen mit 25.7% bei rein demografischen Prompts und 20.5% bei generischen Prompts. Die deutlichsten Zugewinne zeigten sich beim Ausdruck von Werten, bei der Spezifität sowie bei geringerer Generizität.

Dieser PRISM-Datensatz ist ein externer Benchmark. Er unterscheidet sich von der proprietären Minds PRISM Source-Modeling-Engine.

## Teilnehmende, Zielvariablen und Bedingungen

Die Studie untersuchte 299 Teilnehmende aus dem Vereinigten Königreich und 869 Teilnehmer-Domänen-Items. Drei Bedingungen erzeugten 2,607 bewertete Outputs: vollständige Minds über den Produktionspfad, rein demografische Prompts und generische Prompts.

Die Auswahl erfolgte ergebnisblind, und die realen Antworten der Teilnehmenden wurden von der Generierung zurückgehalten. Ein einzelner verblindeter LLM-Judge bewertete bedingungsanonyme, längenangepasste Vergleiche. Es handelt sich hierbei um eine automatisierte Participant-Fit-Bewertung, nicht um eine Validierung durch unabhängige menschliche Rater.

## Was der Judge bevorzugte

<research-figure :labels="["Vollständige Minds als Gewinner","Demografischer Prompt als Gewinner","Generischer Prompt als Gewinner","Unentschieden"]" figure="prism-alignment-participant-fit-validation" note="Berichtete Ergebnisse dieser Studie. Tabelle und Diskussion erläutern Geltungsbereich, Baselines und Unsicherheit." title="Anteil der bewerteten Items" unitLabel="%">



</research-figure>

<table>
<thead>
  <tr>
    <th>
      Ergebnis
    </th>
    
    <th align="right">
      Anteil der bewerteten Items
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      Vollständige Minds als Gewinner
    </td>
    
    <td align="right">
      32.5662%
    </td>
  </tr>
  
  <tr>
    <td>
      Demografischer Prompt als Gewinner
    </td>
    
    <td align="right">
      25.6617%
    </td>
  </tr>
  
  <tr>
    <td>
      Generischer Prompt als Gewinner
    </td>
    
    <td align="right">
      20.4833%
    </td>
  </tr>
  
  <tr>
    <td>
      Unentschieden
    </td>
    
    <td align="right">
      21.2888%
    </td>
  </tr>
</tbody>
</table>

Der registrierte Gesamtvergleich ergab einen Vorteil von 12.04 Prozentpunkten für Minds gegenüber generischem Prompting und 6.69 Punkten gegenüber demografischem Prompting. Dies sind die registrierten Vergleichsschätzungen; sie sollten nicht durch die einfache Subtraktion der separat zusammengefassten, ausgewiesenen Raten ersetzt werden.

Die Gewinnerquote ist keine Survey-Approximation. Sie bedeutet, dass der Judge diesen Kandidaten nach dem Participant-Fit-Kriterienkatalog bevorzugte, nicht dass derselbe Anteil menschlicher Antworten exakt reproduziert wurde. Ein beträchtlicher Anteil an Unentschieden bleibt ebenfalls Teil des Ergebnisses.

## Die Aufgabengrenzen

Wertegeleitete und kontroversenbezogene Aufgaben lieferten den deutlichsten Vorteil. Solche Fragen können von den Gründen und zuvor geäußerten Standpunkten einer Person abhängen, wodurch eine fundiertere Kontextualisierung direkt an Relevanz gewinnt.

Der Vorteil erstreckte sich nicht auf jede Aufgabe. Bei kurzen Alltags-Prompts gewannen Minds in 13.8% der Fälle, verglichen mit 30.5% bei generischen Prompts und 34.0% bei demografischen Prompts. Auch ungeleitete Prompts schnitten schwächer ab. Die semantische Gesamtähnlichkeit verbesserte sich nicht signifikant, und die längenangepasste lexikalische Ähnlichkeit lag unter beiden Baselines.

Diese Ergebnisse machen das Gesamtergebnis zu einem partiellen Befund und nicht zu einem universellen Sieg bei der Antworttreue. Sie unterscheiden zudem den Participant-Fit vom bloßen Kopieren von Formulierungen. Eine Antwort kann die Gründe einer Person widerspiegeln, ohne deren Wortwahl exakt zu treffen, und eine flüssige Alltagsantwort profitiert nicht zwingend von zusätzlichen Profildetails.

## Was dies belegt

Die gestützte Aussage ist enger gefasst und nützlich: Fundierte Minds verbesserten den bewerteten Participant-Fit in der untersuchten Kohorte insgesamt, insbesondere im Hinblick auf Werte und Spezifität. Unabhängige menschliche Rater und zusätzliche Domänen bleiben für weitergehende Treuebehauptungen unerlässlich.

Die [Validierung anhand zurückgehaltener Interviewantworten](/research/held-out-interview-response-validation) untersucht frühere Belege und spätere Antworten in zwei weiteren Korpora. Der [Vergleich mit Basismodellen](/research/synthetic-audiences-vs-foundation-models) geht der Frage nach, wie dieser fundierte Workflow im Vergleich zu generischen Modellantworten abschneidet. Die [Evidenzübersicht](/research/synthetic-audiences-reality-benchmark-2026) trennt diese qualitativen Metriken von der Survey-Approximation.

## Referenzdaten

[PRISM Alignment Dataset](https://arxiv.org/abs/2404.16019)