---
title: "Minds Mosaic 소개: 오디언스 시뮬레이션의 최전선을 개척하다"
description: "오디언스 시뮬레이션 프론티어 모델 Minds Mosaic은 설문 실행 전에 응답 분포를 예측합니다. 카테고리별 정확도 비교."
canonical_url: "https://getminds.ai/research/ko/introducing-minds-mosaic"
last_updated: "2026-11-15T00:49:41.231Z"
---

# Minds Mosaic 소개: 오디언스 시뮬레이션의 최전선을 개척하다

Minds Mosaic은 오디언스 시뮬레이션을 위한 우리의 프론티어 모델입니다. 정의된 모집단과 설문 문항을 입력하면, 설문이 실행되기 전에 해당 모집단이 어떻게 응답할지, 즉 모든 응답 선택지에 걸친 전체 분포를 예측합니다.

이런 예측은 실제 결과와 비교했을 때 유효해야만 의미가 있습니다. 그래서 우리는 Mosaic을 공개적으로 측정합니다. 모든 예측은 발행기관이 결과를 공개하기 전에 확정되고 타임스탬프가 찍히며, 모든 점수는 오류를 포함해 공개 원장에 기록됩니다. 우리는 Mosaic을 사전에 봉인된 예측을 채점하는 독립적인 아레나에 등록했고, 경쟁사의 자체 공개 벤치마크에서도 직접 대결을 펼쳤습니다.

이제 모든 합성 응답자 벤치마크 공급업체가 정확도 수치를 발표하지만, 그 수치들은 서로 다른 데이터, 다른 지표, 다른 조건에서 나온 것입니다. 이 글은 각 공급업체의 전체 수치를 먼저 제시한 뒤, 공개된 결과를 실제 구매자들이 활용하는 사용 사례별로 분류하고, 동일한 데이터에서 측정된 경우에만 수치를 직접 비교합니다.

## 요약

- 우리는 오디언스 시뮬레이션을 정치 여론조사부터 광고, 개방형 인터뷰까지 15개 활용 사례 카테고리로 분류하고, 동일한 카테고리 내 동일한 데이터에서만 수치를 직접 비교합니다.
- 정치 및 공공 여론조사에서 Minds Mosaic의 예측은 결과 공개 전에 확정되었으며, 7개 설문의 24개 문항에 걸쳐 분포 오차(TVD) 0.023을 기록했습니다. 경제 심리 설문에서는 6개 설문의 53개 문항에서 0.039입니다.
- Artificial Societies의 자체 공개 벤치마크에서 Mosaic은 두 개의 사회적 태도 출처 모두에서, 세 개의 성격 출처 중 두 개에서, 그리고 인구통계학적 하위 집단(0.053 대 0.063)에서 더 낮은 오차를 기록했습니다. 전체적으로는 두 시스템이 해당 기준에서 동등합니다(0.083 대 0.082).
- 여기서 다루는 공급업체 중 설문 실행 전에 확정된 설문 예측의 누적 기록을 공개하는 곳은 없습니다. 우리의 기록은 [forecasts.getminds.ai](https://forecasts.getminds.ai)에서 공개됩니다. 일반 Markdown 및 JSON 파일, 타임스탬프 증명, 그리고 이를 검증하는 스크립트로 구성되어 있습니다.

## 카테고리 전반의 전체 정확도

Minds Mosaic과 다른 두 공급업체는 테스트된 모든 카테고리를 합산한 전체 분포 오차(TVD)를 하나씩 공개합니다. 낮을수록 좋으며, 다음 섹션에서 지표를 설명합니다.

<research-figure :labels="["Minds Mosaic","Aaru","Artificial Societies"]" figure="introducing-minds-mosaic--overall" note="낮을수록 좋습니다. 분포 오차(TVD). 각 수치는 해당 공급업체가 자체 데이터로 수행한 자체 평가입니다. Minds Mosaic의 경우, 결과가 공개되기 전에 사전 확정된 13개 설문의 77개 문항(결과 공개 전 현장 조사 시작 전에 확정된 4개 설문은 0.023을 기록). Minds Mosaic은 동일 설문의 이전 공개 결과를 포함해 확정 시점 이전에 공개된 모든 정보를 활용하여 예측합니다. Aaru(186개 연구, 표본 조정 전)와 Artificial Societies(7개 연구, 아래 비교된 7개 출처에서 0.082)의 경우, 공개된 연구의 복제 결과입니다. 동일 데이터 비교는 아래 카테고리 섹션에서 이어집니다." title="공급업체별 전체 정확도 (전체 카테고리)" unitLabel="TVD">



</research-figure>

아래 표는 각 수치의 데이터와 출처를 명시하며, 응답 선택지당 평균 오차(MAE)와 공급업체가 공개한 경우 합산 상관계수를 함께 제시합니다.

<table>
<thead>
  <tr>
    <th>
      공급업체
    </th>
    
    <th>
      TVD
    </th>
    
    <th>
      MAE (포인트)
    </th>
    
    <th>
      Pearson r, 합산
    </th>
    
    <th>
      데이터 및 출처
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      Minds Mosaic
    </td>
    
    <td>
      0.034
    </td>
    
    <td>
      1.37
    </td>
    
    <td>
      0.993
    </td>
    
    <td>
      결과가 공개되기 전에 사전 확정된 13개 설문의 77개 문항(<a href="https://forecasts.getminds.ai" rel="nofollow">
        예측 원장
      </a>
      
      ). Minds Mosaic은 동일 설문의 이전 공개 결과를 포함해 확정 시점 이전에 공개된 모든 정보를 활용하여 예측합니다.
    </td>
  </tr>
  
  <tr>
    <td>
      Aaru
    </td>
    
    <td>
      0.076
    </td>
    
    <td>
      3.53
    </td>
    
    <td>
      0.970
    </td>
    
    <td>
      표본 조정 전, 186개 공개 연구의 2,993개 문항(<a href="https://aaru.com/publications/population-simulation-at-the-replication-floor-research" rel="nofollow">
        연구
      </a>
      
      , <a href="https://aaru.com/publications/population-simulation-at-the-replication-floor-summary" rel="nofollow">
        요약
      </a>
      
      )
    </td>
  </tr>
  
  <tr>
    <td>
      Artificial Societies
    </td>
    
    <td>
      0.080
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      7개 공개 연구, 아래 설명된 벤치마크(<a href="https://arxiv.org/abs/2609.30030v2" rel="nofollow">
        논문
      </a>
      
      )
    </td>
  </tr>
  
  <tr>
    <td>
      Electric Twin
    </td>
    
    <td>
      
    </td>
    
    <td>
      4.00
    </td>
    
    <td>
      
    </td>
    
    <td>
      280개 데이터셋, MAE를 1에서 뺀 값으로 정의된 96%로 발표(<a href="https://www.electrictwin.com/accuracy" rel="nofollow">
        정확도
      </a>
      
      )
    </td>
  </tr>
</tbody>
</table>

네 개 회사는 TVD나 MAE로 변환할 수 없는 자체 척도로 주요 수치를 발표합니다.

- *Simile:* 에이전트가 개인의 설문 응답을 재현하는 수준이 사람들이 2주 후 스스로와 보이는 일관성의 약 85%입니다(최신 프리프린트 버전에서 데이터 출처별로 82%에서 86%).
- *Evidenza:* "88% 정확도"로, 100건 이상의 검증에서 합성 연구와 전통적 연구 간 평균 일치율로 설명됩니다.
- *Synthetic Users:* 인터뷰 콘텐츠에 대한 가중 루브릭인 "Synthetic Organic Parity" 85~92%.
- *Electric Twin:* 위의 96% 외에도, 자체 전체 분포 점수(NDAM)에서 92%.

## 수치 읽는 법

두 가지 지표가 가장 자주 등장하며, 이 둘은 서로 대체할 수 없습니다.

*총변동거리(TVD)*는 0에서 1 사이의 값입니다. 응답 분포에서 잘못된 위치에 놓인 비율을 나타냅니다. TVD 0.05는 실제 결과와 일치하려면 분포의 5포인트가 이동해야 한다는 의미입니다.

*평균 절대 오차(MAE)*는 응답 선택지당 평균 오차를 퍼센트 포인트로 나타냅니다. 동일한 예측에서 MAE는 보통 포인트로 표현된 TVD보다 훨씬 작습니다. TVD는 선택지 전반의 오차를 합산하고 MAE는 평균을 내기 때문입니다. MAE 3.5포인트와 TVD 7.6포인트가 동일한 결과를 설명할 수 있습니다.

상관계수에도 레이블이 필요합니다. 모든 문항의 모든 응답 선택지에 걸쳐 합산된 상관계수는 어떤 합리적인 방법을 써도 높게 나옵니다. 일부 선택지는 항상 크고 다른 선택지는 항상 작기 때문입니다. 문항 내 상관계수는 훨씬 엄격합니다. 아래에서 합산 상관계수를 인용할 때는 우리 것이든 다른 곳의 것이든 명시합니다.

## 오디언스 시뮬레이션의 15가지 카테고리

구매자들은 오디언스 시뮬레이션을 매우 다양한 목적으로 활용하며, 투표 의향을 잘 예측하는 시스템이 동영상 광고에 대한 반응도 잘 예측한다고 볼 수 없습니다. 우리는 예측 대상과 실측값을 기준으로 작업을 15개 카테고리로 분류합니다.

<table>
<thead>
  <tr>
    <th>
      카테고리
    </th>
    
    <th>
      예측 대상
    </th>
    
    <th>
      실측값
    </th>
    
    <th>
      주요 지표
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      정치 및 공공 여론
    </td>
    
    <td>
      투표 의향, 지지율, 이슈
    </td>
    
    <td>
      공개 여론조사, 선거 결과
    </td>
    
    <td>
      점유율 TVD, 격차 포인트
    </td>
  </tr>
  
  <tr>
    <td>
      경제 심리
    </td>
    
    <td>
      소비자 신뢰, 인플레이션 전망
    </td>
    
    <td>
      EC, Michigan, NY Fed, 소비자 추적 조사
    </td>
    
    <td>
      TVD
    </td>
  </tr>
  
  <tr>
    <td>
      사회적 태도 및 가치관
    </td>
    
    <td>
      신뢰, 종교, 가족, 웰빙
    </td>
    
    <td>
      GSS, ESS, WVS
    </td>
    
    <td>
      TVD
    </td>
  </tr>
  
  <tr>
    <td>
      컨셉 및 제품 테스트
    </td>
    
    <td>
      매력도, 구매 의향
    </td>
    
    <td>
      컨셉 테스트
    </td>
    
    <td>
      TVD, 순위 일치도
    </td>
  </tr>
  
  <tr>
    <td>
      시각 및 크리에이티브 테스트
    </td>
    
    <td>
      이미지 및 디자인 반응
    </td>
    
    <td>
      크리에이티브 테스트
    </td>
    
    <td>
      상관계수, 순위 일치도
    </td>
  </tr>
  
  <tr>
    <td>
      광고 및 동영상
    </td>
    
    <td>
      광고 호감도 및 효과
    </td>
    
    <td>
      광고 테스트, 광고 순위
    </td>
    
    <td>
      순위 일치도
    </td>
  </tr>
  
  <tr>
    <td>
      가격 및 지불 의향
    </td>
    
    <td>
      가격 수용도, 수요 곡선
    </td>
    
    <td>
      가격 연구, 판매 데이터
    </td>
    
    <td>
      점유율 오차
    </td>
  </tr>
  
  <tr>
    <td>
      메시지 및 카피
    </td>
    
    <td>
      어떤 메시지가 이기는가
    </td>
    
    <td>
      메시지 테스트
    </td>
    
    <td>
      순위 일치도
    </td>
  </tr>
  
  <tr>
    <td>
      웹사이트 및 앱 행동
    </td>
    
    <td>
      클릭, 과업 성공률
    </td>
    
    <td>
      분석 데이터, 사용성 테스트
    </td>
    
    <td>
      행동 오차
    </td>
  </tr>
  
  <tr>
    <td>
      브랜드 및 평판
    </td>
    
    <td>
      인지도, 인식
    </td>
    
    <td>
      브랜드 추적 조사
    </td>
    
    <td>
      TVD
    </td>
  </tr>
  
  <tr>
    <td>
      미디어 및 엔터테인먼트 수요
    </td>
    
    <td>
      시청, 청취, 관람
    </td>
    
    <td>
      시청률, 박스오피스
    </td>
    
    <td>
      수요 오차
    </td>
  </tr>
  
  <tr>
    <td>
      문항 표현 및 설문 설계 효과
    </td>
    
    <td>
      문항 표현 변화에 따른 응답 변화
    </td>
    
    <td>
      분할 투표 실험
    </td>
    
    <td>
      효과 오차
    </td>
  </tr>
  
  <tr>
    <td>
      하위 집단 및 세그먼트
    </td>
    
    <td>
      연령, 정당, 지역별 응답
    </td>
    
    <td>
      교차표
    </td>
    
    <td>
      셀 전반 TVD
    </td>
  </tr>
  
  <tr>
    <td>
      개방형 및 정성적
    </td>
    
    <td>
      자유 응답의 주제 및 이유
    </td>
    
    <td>
      인터뷰, 개방형 응답
    </td>
    
    <td>
      주제 점유율, 충실도 평가
    </td>
  </tr>
  
  <tr>
    <td>
      진술 의향 대비 실제 행동
    </td>
    
    <td>
      말이 아닌 실제 행동
    </td>
    
    <td>
      구매 및 행동 데이터
    </td>
    
    <td>
      행동 일치도
    </td>
  </tr>
</tbody>
</table>

다음 두 표는 2026년 11월 1일 기준으로 각 카테고리에서 채점된 결과를 공개한 공급업체를 보여줍니다. "예"는 해당 카테고리에 공개적으로 채점된 결과가 최소 하나 이상 존재한다는 의미이며, 아래 섹션에서 각각의 데이터를 명시합니다. Art. Soc.는 Artificial Societies, E. Twin은 Electric Twin, Syn. Users는 Synthetic Users입니다.

<table>
<thead>
  <tr>
    <th>
      카테고리
    </th>
    
    <th>
      Minds
    </th>
    
    <th>
      Aaru
    </th>
    
    <th>
      Art. Soc.
    </th>
    
    <th>
      E. Twin
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      정치 및 공공 여론
    </td>
    
    <td>
      예
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      경제 심리
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      사회적 태도 및 가치관
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      컨셉 및 제품 테스트
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      시각 및 크리에이티브 테스트
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
  </tr>
  
  <tr>
    <td>
      광고 및 동영상
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
  </tr>
  
  <tr>
    <td>
      가격 및 지불 의향
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      메시지 및 카피
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      웹사이트 및 앱 행동
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      브랜드 및 평판
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      미디어 및 엔터테인먼트 수요
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      문항 표현 및 설문 설계 효과
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      하위 집단 및 세그먼트
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      개방형 및 정성적
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      진술 의향 대비 실제 행동
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
</tbody>
</table>

<table>
<thead>
  <tr>
    <th>
      카테고리
    </th>
    
    <th>
      Simile
    </th>
    
    <th>
      Evidenza
    </th>
    
    <th>
      Syn. Users
    </th>
    
    <th>
      Qualtrics
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      정치 및 공공 여론
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      경제 심리
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      사회적 태도 및 가치관
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      컨셉 및 제품 테스트
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      시각 및 크리에이티브 테스트
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      광고 및 동영상
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      가격 및 지불 의향
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      메시지 및 카피
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      웹사이트 및 앱 행동
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      브랜드 및 평판
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
  </tr>
  
  <tr>
    <td>
      미디어 및 엔터테인먼트 수요
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      문항 표현 및 설문 설계 효과
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      하위 집단 및 세그먼트
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      개방형 및 정성적
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      진술 의향 대비 실제 행동
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
</tbody>
</table>

## 각 정확도 주장이 만들어진 방식

카테고리는 무엇을 측정했는지를 알려줍니다. 조건은 그 수치를 얼마나 신뢰할 수 있는지를 알려줍니다.

<table>
<thead>
  <tr>
    <th>
      시스템
    </th>
    
    <th>
      결과 공개 전 확정
    </th>
    
    <th>
      타임스탬프 증명
    </th>
    
    <th>
      미공개 결과로 채점
    </th>
    
    <th>
      방법론 공개
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      Minds Mosaic
    </td>
    
    <td>
      예
    </td>
    
    <td>
      예
    </td>
    
    <td>
      예
    </td>
    
    <td>
      예
    </td>
  </tr>
  
  <tr>
    <td>
      Aaru
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
  </tr>
  
  <tr>
    <td>
      Artificial Societies
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
  </tr>
  
  <tr>
    <td>
      Electric Twin
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
  </tr>
  
  <tr>
    <td>
      Simile
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
  </tr>
  
  <tr>
    <td>
      Evidenza
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
  </tr>
  
  <tr>
    <td>
      Synthetic Users
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
  </tr>
  
  <tr>
    <td>
      Qualtrics Edge Audiences
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      
    </td>
    
    <td>
      예
    </td>
  </tr>
</tbody>
</table>

각 회사의 2026년 11월 1일 기준 공개 자료를 바탕으로 합니다. 빈 셀은 공개된 주장에서 해당 내용을 확인할 수 없음을 의미합니다.

소급 테스트는 이미 공개되었거나 공급업체가 보유한 설문에 시스템을 적용하는 방식입니다. 개발 과정에서 유용하며, 우리를 포함한 이 분야의 모든 팀이 활용합니다. 그 한계는 잘 알려져 있습니다. 모델이 결과를 이미 봤을 수 있고, 어떤 문항을 포함할지에 대한 선택이 답을 알고 있는 상태에서 이루어지며, 공급업체가 스스로를 채점합니다.

사전 등록 예측은 이러한 문제를 제거합니다. 예측은 결과가 존재하기 전에 확정되므로 결과에 맞게 조정될 수 없고, 예측자가 볼 수 없었던 수치를 기준으로 채점됩니다. 첫 번째 인터뷰 전에 확정하는 것은 더욱 강력합니다. 설문에 관한 어떤 정보도 유출될 수 없기 때문입니다. 이것이 선거 및 경제 예측에 사용되는 기준이며, 오디언스 시뮬레이션도 충족해야 할 기준입니다.

위의 공급업체 중 설문 실행 전에 확정되고 이후 채점된 설문 예측의 누적 기록을 공개하는 곳은 없습니다. Aaru는 투표 전날 [2024년 미국 대통령 선거 예측을 공개](https://www.semafor.com/article/11/04/2024/an-ai-polling-startup-polls-bots-predicts-harris-will-win)했습니다. Electric Twin은 LSE의 수석 과학 자문이 주도한 사전 등록 학술 연구에 자금을 지원하여, 합성 응답을 7개 인간 표본 추출 서비스와 비교했습니다. Simile의 [파트너 백서](https://www.cvshealth.com/content/dam/enterprise/cvs-enterprise/pdfs/2026/CVS_WhitepaperCVSxSimile.pdf)는 현장 조사 전에 새로운 결과를 예측한 내부 테스트를 설명하지만, 예측 자체는 공개하지 않습니다. 우리의 원장은 모든 예측과 모든 점수를 공개합니다.

## Minds Mosaic 예측 원장의 작동 방식

각 대상 설문에 대해 우리는 확정 전에 정확한 문항 표현, 응답 선택지, 모집단을 기록합니다. 그런 다음 Minds Mosaic이 모든 문항의 전체 응답 분포를 예측합니다. 각 예측은 해시 처리되어 추가 전용 원장에 기록되고, OpenTimestamps를 통해 비트코인 블록체인에 일괄 타임스탬프가 찍힙니다. 발행기관이 결과를 공개하면, 우리는 채점할 수 없는 예측을 포함해 모든 확정된 예측을 공식 공개치와 대조하여 채점합니다. 모든 설문에는 증거 등급이 부여됩니다. 현장 조사 시작 전 확정, 또는 현장 조사 후 결과 공개 전 확정으로 구분됩니다.

원장은 의도적으로 단순하게 구성되어 있습니다. [forecasts.getminds.ai](https://forecasts.getminds.ai)에서 누구나 일반 파일로 다운로드할 수 있습니다. 현재 스코어카드가 담긴 Markdown README, 확정된 예측별 JSON 파일 하나씩, OpenTimestamps 증명, 그리고 모든 해시와 타임스탬프를 확인하는 스크립트로 구성됩니다. JSON 파일은 기계 판독 가능한 피드 역할도 하므로, 누구든 우리에게 요청하지 않고도 기록을 검증하거나 재채점할 수 있습니다.

<table>
<thead>
  <tr>
    <th>
      Minds Mosaic 예측 원장 현황 (2026년 11월 1일 기준)
    </th>
    
    <th>
      건수
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      결과 공개 전 예측이 확정된 설문 수
    </td>
    
    <td>
      45
    </td>
  </tr>
  
  <tr>
    <td>
      이 중 현장 조사 시작 전 확정
    </td>
    
    <td>
      28
    </td>
  </tr>
  
  <tr>
    <td>
      현재까지 채점된 설문 수
    </td>
    
    <td>
      13
    </td>
  </tr>
  
  <tr>
    <td>
      국가 수
    </td>
    
    <td>
      8
    </td>
  </tr>
</tbody>
</table>

현재까지 13개 설문이 결과를 공개했으며, 오스트리아, 프랑스, 독일, 일본, 스페인, 영국, 미국의 77개 문항을 포함합니다. 이 모든 예측에는 결과 공개 전 비트코인 타임스탬프가 검증된 형태로 부여되어 있습니다. 이 설문 전체에서 Mosaic의 분포 오차는 0.034이며, 현장 조사 시작 전에 확정된 4개 설문에서는 0.023입니다.

77개 문항 전체에서 응답 선택지당 평균 오차는 1.37 퍼센트 포인트이며, 예측치와 실제 응답 점유율 간의 합산 상관계수는 0.993입니다. Minds Mosaic은 동일 설문의 이전 공개 결과를 포함해 확정 시점 이전에 공개된 모든 정보를 활용하여 예측합니다. 발행기관의 공개 수치는 발행기관에 귀속됩니다. 원장에는 우리의 예측과 점수만 공개됩니다. 아래 카테고리별 섹션에서 이 결과를 활용 사례별로 분류합니다.

## 정치 및 공공 여론

채점된 설문 중 7개는 미국과 영국의 정치 및 공공 여론조사입니다. The Economist/YouGov, YouGov의 GB 추적 조사, Emerson, NPR/PBS News/Marist, Reuters/Ipsos, Find Out Now, Opinium이 포함됩니다. 24개 문항에 걸쳐 Mosaic의 확정된 예측은 TVD 0.023을 기록했으며, 응답 선택지당 평균 오차는 1.10 퍼센트 포인트입니다. 현장 조사 시작 전에 확정된 4개 설문은 모두 이 카테고리에 속하며, 19개 문항에서 TVD 0.023입니다.

<research-figure :labels="["Minds Mosaic"]" figure="introducing-minds-mosaic" note="낮을수록 좋습니다. 2026년 10월 26일~31일 공식 공개치를 기준으로 채점된, 미국 및 영국 여론조사 7개의 24개 문항에 대한 분포 오차(TVD)." title="정치 및 공공 여론: 공개 전 확정된 예측" unitLabel="TVD">



</research-figure>

우리는 또한 Minds Mosaic을 [Social Simulation Arena](https://social-simulation-arena.com)에 등록했습니다. 이는 사전에 봉인된 예측을 채점하는 독립적인 학술 리더보드로, 2026년 미국 중간선거 라운드 예측을 제출했습니다.

이 카테고리의 다른 공개 결과들은 서로 다른 데이터를 기반으로 하므로, 차트 비교 대신 목록으로 제시합니다. Aaru는 [2026년 복제 연구](https://aaru.com/publications/population-simulation-at-the-replication-floor-research)에서 표본 조정 후 정치, 정책, 공공 사안 573개 문항에 대해 응답 선택지당 평균 오차 2.21포인트를 보고했으며, 2024년 미국 대통령 선거 예측을 하나 공개했습니다. 우리 자체의 [ANES 2024](/research/anes-2024-synthetic-survey-validation) 및 [CES 2024](/research/ces-2024-synthetic-survey-validation) 선거 설문 소급 연구에서는 개별 응답자 수준에서 평균 분포 오차가 각각 8.33포인트와 4.72포인트로 보고되었습니다.

## 경제 심리

채점된 설문 중 6개는 소비자 심리를 측정합니다. 오스트리아, 프랑스, 독일, 스페인의 유럽위원회 조화 소비자 설문, 일본 ESRI 소비자 신뢰 설문, 미국 Conference Board 지수가 포함됩니다. 53개 문항에 걸쳐 Mosaic은 TVD 0.039, 응답 선택지당 평균 오차 1.50포인트를 기록했습니다.

<research-figure :labels="["Minds Mosaic"]" figure="introducing-minds-mosaic--economic" note="낮을수록 좋습니다. 6개국 6개 소비자 설문의 53개 문항에 대한 분포 오차(TVD), 2026년 10월 공식 공개치를 기준으로 채점." title="경제 심리: 공개 전 확정된 예측" unitLabel="TVD">



</research-figure>

University of Michigan 설문, New York Fed의 소비자 기대 설문, 소비자 설문 11월 웨이브에 대한 확정 예측은 결과 대기 중입니다. 여기서 다루는 다른 공급업체 중 이 카테고리에서 채점된 결과를 공개한 곳은 없습니다.

## 사회적 태도 및 가치관

Artificial Societies는 7개 설문 출처와 채점 계약을 포함한 [공개 벤치마크](https://societies.ai/as-benchmark)를 발표했으며, 이는 논문 [arXiv 2609.30030](https://arxiv.org/abs/2609.30030v2)에 설명되어 있습니다. 우리는 모델 호출 전에 해시 처리된 프로토콜에 따라 Minds Mosaic을 실행하고, 채점 전에 원시 출력을 봉인한 뒤, 그들의 데이터와 채점 코드를 사용했습니다. 두 개의 출처는 2024년 General Social Survey에서 가져온 것입니다.

<table>
<thead>
  <tr>
    <th>
      GSS 2024 출처, TVD
    </th>
    
    <th>
      Minds Mosaic
    </th>
    
    <th>
      Artificial Societies
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      기관에 대한 신뢰
    </td>
    
    <td>
      0.035
    </td>
    
    <td>
      0.042
    </td>
  </tr>
  
  <tr>
    <td>
      대인 신뢰
    </td>
    
    <td>
      0.052
    </td>
    
    <td>
      0.058
    </td>
  </tr>
</tbody>
</table>

Mosaic 수치는 3회 실행의 평균이며, Artificial Societies의 수치는 공개된 그대로입니다. Mosaic은 요청당 하나의 문항을 받았으며, General Social Survey의 이전 공개 웨이브를 레이블된 맥락으로 활용했습니다. Mosaic은 전체 표본의 분포를 예측하는 반면, 그들의 공개 수치는 각 응답자를 시뮬레이션하는 방식에서 나온 것입니다.

이 카테고리의 다른 두 결과는 각자의 데이터를 사용합니다. Simile의 [1,052명의 인터뷰된 미국인](https://arxiv.org/abs/2411.10109) 에이전트는 개인의 General Social Survey 응답을 사람들이 2주 후 스스로와 보이는 일관성의 약 85% 수준으로 재현합니다. 우리의 [GSS 2024 연구](/research/gss-2024-synthetic-survey-validation)는 17개 문항과 360명의 매칭된 응답자에 걸쳐 평균 분포 오차 7.53포인트를 보고합니다.

## 성격 및 심리측정

Artificial Societies 벤치마크의 세 가지 출처는 태도가 아닌 성격을 측정합니다. 이것은 15개 카테고리 중 하나가 아니므로 별도로 보고합니다.

<table>
<thead>
  <tr>
    <th>
      출처, TVD
    </th>
    
    <th>
      Minds Mosaic
    </th>
    
    <th>
      Artificial Societies
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      SAPA 성격 특성
    </td>
    
    <td>
      0.091
    </td>
    
    <td>
      0.090
    </td>
  </tr>
  
  <tr>
    <td>
      SAPA 성격 하위 요인
    </td>
    
    <td>
      0.103
    </td>
    
    <td>
      0.117
    </td>
  </tr>
  
  <tr>
    <td>
      쌍둥이 재검사
    </td>
    
    <td>
      0.138
    </td>
    
    <td>
      0.147
    </td>
  </tr>
</tbody>
</table>

3회 실행의 평균인 Mosaic은 하위 요인과 쌍둥이 재검사에서 더 낮은 오차를 기록했으며, 특성에서는 동등합니다.

## 문항 표현 및 설문 설계 효과

동일 벤치마크의 두 출처는 분할 투표 문항 표현 실험입니다. 동일한 문항을 두 가지 버전으로 제시하여 응답이 얼마나 달라지는지를 측정합니다.

<table>
<thead>
  <tr>
    <th>
      문항 표현 실험, TVD
    </th>
    
    <th>
      Minds Mosaic
    </th>
    
    <th>
      Artificial Societies
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      Jordan
    </td>
    
    <td>
      0.095
    </td>
    
    <td>
      0.096
    </td>
  </tr>
  
  <tr>
    <td>
      Albertson
    </td>
    
    <td>
      0.078
    </td>
    
    <td>
      0.025
    </td>
  </tr>
</tbody>
</table>

Mosaic은 Jordan 실험에서 동등하며, Albertson에서는 Artificial Societies가 더 낮은 오차를 기록했습니다. Mosaic은 두 변화의 방향을 모두 예측하지만 그 크기를 과대평가합니다. 문항 표현 효과는 분포 예측과는 다른 과제이므로 별도의 카테고리로 채점합니다.

## 하위 집단 및 세그먼트

하위 집단은 합성 연구가 가장 많이 활용되는 동시에 가장 자주 실패하는 영역입니다. Artificial Societies 벤치마크의 General Social Survey 신뢰 항목에 대한 145개 인구통계학적 하위 집단 셀에서 Mosaic은 TVD 0.053을 기록했으며, 이는 그들의 0.063보다 낮습니다.

<research-figure :labels="["Minds Mosaic","Artificial Societies"]" figure="introducing-minds-mosaic--subgroups" note="낮을수록 좋습니다. General Social Survey 2024 신뢰 항목의 동일한 145개 인구통계학적 하위 집단 셀에 대한 분포 오차(TVD). Minds Mosaic은 3회 실행 평균, Artificial Societies는 공개된 그대로." title="Artificial Societies 벤치마크의 하위 집단" unitLabel="TVD">



</research-figure>

우리의 원장도 하위 집단을 채점합니다. The Economist/YouGov 및 YouGov GB 교차표는 연령대, 정당, 2024년 투표 등 기준의 69개 확정된 하위 집단 셀을 제공하며, 여기서 Mosaic은 TVD 0.046을 기록했습니다.

<research-figure :labels="["Minds Mosaic"]" figure="introducing-minds-mosaic--subgroups-ledger" note="낮을수록 좋습니다. 공개 전 확정된 예측을 기준으로, The Economist/YouGov 및 YouGov GB 여론조사의 69개 하위 집단 셀에 대한 분포 오차(TVD)." title="예측 원장의 하위 집단" unitLabel="TVD">



</research-figure>

## 광고, 동영상 및 크리에이티브

두 공급업체가 동일한 크리에이티브 데이터에 대한 결과를 공개한 사례가 없으므로, 이 카테고리에서는 아직 직접 비교가 없습니다. Electric Twin은 자체 벤치마크에서 예측된 평균 Likert 점수와 실제 점수 간 상관계수로 [이미지 0.909, 동영상 0.861](https://48129355.fs1.hubspotusercontent-na1.net/hubfs/48129355/Accuracy%20Whitepaper_General.pdf)을 보고합니다. 우리의 [슈퍼볼 연구](/research/super-bowl-2026-ad-preferences)에서는 100명의 근거 기반 시뮬레이션 응답자가 USA TODAY Ad Meter 2026의 54개 광고 전체를 평가하고, Spearman 상관계수 0.85로 인간 패널과 근접한 순위를 기록했습니다.

## 컨셉, 가격 및 브랜드

이 카테고리의 공개 결과도 각 공급업체의 자체 데이터를 기반으로 합니다.

<table>
<thead>
  <tr>
    <th>
      카테고리
    </th>
    
    <th>
      공급업체
    </th>
    
    <th>
      공개 결과
    </th>
    
    <th>
      데이터
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      컨셉, 제품 및 가격
    </td>
    
    <td>
      Aaru
    </td>
    
    <td>
      표본 조정 후 MAE 3.75포인트
    </td>
    
    <td>
      2026년 <a href="https://aaru.com/publications/population-simulation-at-the-replication-floor-research" rel="nofollow">
        복제 연구
      </a>
      
      , 제품 및 가격 문항
    </td>
  </tr>
  
  <tr>
    <td>
      브랜드 및 평판
    </td>
    
    <td>
      Aaru
    </td>
    
    <td>
      표본 조정 후 MAE 2.73포인트
    </td>
    
    <td>
      동일 연구, 브랜드 건강 문항
    </td>
  </tr>
  
  <tr>
    <td>
      브랜드 및 평판
    </td>
    
    <td>
      Qualtrics
    </td>
    
    <td>
      Cohen's d 0.07
    </td>
    
    <td>
      <a href="https://greenbook.org/insights/data-science/testing-synthetic-data-against-academic-benchmarks-a-replication-study" rel="nofollow">
        복제 연구 1건
      </a>
      
      , 기술 제품에 대한 태도 문항 8개
    </td>
  </tr>
</tbody>
</table>

## 개방형 응답 및 행동

Synthetic Users는 "Synthetic Organic Parity"라고 부르는 [가중 루브릭](https://www.syntheticusers.com/science-posts/how-we-measure-success)으로 인터뷰 콘텐츠를 채점하며, 85~92%를 기록합니다. 우리의 [보류 인터뷰 연구](/research/held-out-interview-response-validation)는 근거 기반 시뮬레이션 응답자가 22명의 실제 참가자가 이후 66개 인터뷰 응답에서 말한 내용을 반영하는지 테스트했으며, 일반적인 프롬프팅 대비 참가자 증거를 활용했을 때 명확한 향상을 확인했습니다.

진술 의향 대비 실제 행동 측면에서, Aaru는 브랜드 순위를 신용카드 구매 데이터와 비교하여 동일한 [복제 연구](https://aaru.com/publications/population-simulation-at-the-replication-floor-research)에서 브랜드 쌍의 92.4%에서 일치를 보고했습니다. 이는 공개된 설문 고려도의 77.8%보다 높습니다.

## Artificial Societies 벤치마크 전체 결과

7개 출처 전체에 걸쳐 Mosaic과 Artificial Societies는 동등합니다. Artificial Societies의 기준, 즉 각 출처를 동일하게 가중한 첫 번째 실행에서 Mosaic은 0.083을 기록했으며, 그들의 0.082와 동등합니다. 3회 실행 평균으로는 Mosaic이 0.085를 기록합니다. Mosaic은 7개 출처 중 5개에서 더 낮은 오차를 기록했습니다. 두 개의 문항 표현 실험을 제외하면, 3회 실행 평균에서 Mosaic이 0.084 대 0.091로 앞섭니다.

<table>
<thead>
  <tr>
    <th>
      벤치마크 요약, TVD
    </th>
    
    <th>
      Minds Mosaic
    </th>
    
    <th>
      Artificial Societies
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      7개 출처, 그들의 기준
    </td>
    
    <td>
      0.083
    </td>
    
    <td>
      0.082
    </td>
  </tr>
  
  <tr>
    <td>
      문항 표현 실험 제외 5개 출처
    </td>
    
    <td>
      0.084
    </td>
    
    <td>
      0.091
    </td>
  </tr>
</tbody>
</table>

<research-figure :labels="["Minds Mosaic","Artificial Societies"]" figure="introducing-minds-mosaic--without-wording" note="낮을수록 좋습니다. 동일한 5개 출처에 대한 평균 분포 오차(TVD): General Social Survey 출처 2개, SAPA 성격 출처 2개, 쌍둥이 재검사. Minds Mosaic은 3회 실행 평균, Artificial Societies는 공개된 그대로." title="문항 표현 실험 제외 Artificial Societies 벤치마크" unitLabel="TVD">



</research-figure>

## 공정한 벤치마크의 기준

지난 두 달간의 실험, 이 분야의 공개 수치, 그리고 공개 아레나 참가 결과는 모두 동일한 네 가지 원칙을 가리킵니다.

1. *현장 조사 전 확정.* 첫 번째 인터뷰 전에 확정된 예측은 답에 맞게 조정될 수 없습니다. 공개 전에만 확정하는 것은 더 약합니다. 현장 조사가 종료된 후 결과가 유출되는 경우가 있기 때문입니다. 실제 현장 조사 날짜와 각 결과의 증거 등급을 기록하십시오.
2. *노이즈 플로어 공개.* 완벽한 예측자도 표본 오차를 가집니다. 약 1,200명 표본의 3지선다 문항에서 TVD 약 0.024입니다. 구간 없이는 그보다 작은 차이는 의미가 없습니다.
3. *활용 사례 카테고리 및 자극 유형별 보고.* 여론조사, 소비자 심리, 광고, 컨셉, 웹사이트는 서로 다른 과제이며, 텍스트 문항, 이미지, 동영상, 오디오, 인터랙티브 플로우는 서로 다른 자극입니다. 이를 합산한 주요 수치는 개별 항목에 대해 거의 아무것도 말해주지 않습니다.
4. *응답 유형별 분리.* 단일 선택, Likert 및 순서형 척도, 다중 선택, 수치 응답, 순위 매기기, MaxDiff 같은 강제 선택 설계, 개방형 텍스트는 각각 고유한 지표가 필요합니다. 다중 선택 선택지는 별도의 예/아니오 점유율로 채점하고, 순서형 척도는 순서를 고려한 점수로, 개방형 응답은 단일 판정자 대신 주제 점유율이나 임베딩 거리로 채점해야 합니다.

실용적인 두 가지 원칙도 추가하겠습니다. 모든 실행 결과와 실행 간 편차를 보고하고, 합산 상관계수인지 문항 내 상관계수인지를 명시하십시오.

## 주목할 만한 다른 공개 벤치마크

아직 이 분야 전체를 아우르는 단일 벤치마크는 없습니다. 우리가 추적하는 공개 벤치마크를 증거 유형별로 정리했습니다.

<table>
<thead>
  <tr>
    <th>
      벤치마크
    </th>
    
    <th>
      측정 대상
    </th>
    
    <th>
      증거 유형
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      <a href="https://social-simulation-arena.com" rel="nofollow">
        Social Simulation Arena
      </a>
    </td>
    
    <td>
      공개 전 봉인된 예정 여론조사 및 경제 설문 예측
    </td>
    
    <td>
      전향적, 독립 학술팀(<a href="https://github.com/Social-Atoms/social-sim-arena" rel="nofollow">
        코드
      </a>
      
      )
    </td>
  </tr>
  
  <tr>
    <td>
      <a href="https://societies.ai/as-benchmark" rel="nofollow">
        Artificial Societies Benchmark
      </a>
    </td>
    
    <td>
      문항 표현 실험 포함 7개 공개 연구의 분포 오차
    </td>
    
    <td>
      소급적, 공개 과제 및 코드, 공급업체 작성(<a href="https://arxiv.org/abs/2609.30030v2" rel="nofollow">
        논문
      </a>
      
      )
    </td>
  </tr>
  
  <tr>
    <td>
      <a href="https://arxiv.org/abs/2510.17516" rel="nofollow">
        SimBench
      </a>
    </td>
    
    <td>
      다수의 설문 및 행동 데이터셋에서 인간 응답 분포와의 적합도
    </td>
    
    <td>
      소급적, 학술
    </td>
  </tr>
  
  <tr>
    <td>
      <a href="https://arxiv.org/abs/2303.17548" rel="nofollow">
        OpinionQA
      </a>
    </td>
    
    <td>
      Pew American Trends Panel 문항에서 미국 의견 집단과의 적합도
    </td>
    
    <td>
      소급적, 학술(<a href="https://github.com/tatsu-lab/opinions_qa" rel="nofollow">
        코드
      </a>
      
      )
    </td>
  </tr>
  
  <tr>
    <td>
      <a href="https://arxiv.org/abs/2306.16388" rel="nofollow">
        GlobalOpinionQA
      </a>
    </td>
    
    <td>
      국가 간 설문에서 모델이 반영하는 관점
    </td>
    
    <td>
      소급적, 학술(<a href="https://huggingface.co/datasets/Anthropic/llm_global_opinions" rel="nofollow">
        데이터
      </a>
      
      )
    </td>
  </tr>
  
  <tr>
    <td>
      <a href="https://arxiv.org/abs/2502.16761" rel="nofollow">
        SubPOP
      </a>
    </td>
    
    <td>
      하위 집단의 의견 분포
    </td>
    
    <td>
      소급적, 학술
    </td>
  </tr>
  
  <tr>
    <td>
      <a href="https://arxiv.org/abs/2505.17479" rel="nofollow">
        Twin-2K-500
      </a>
    </td>
    
    <td>
      2,000명 이상의 디지털 트윈이 500개 이상의 문항에 응답
    </td>
    
    <td>
      소급적, 학술, 재검사 방식
    </td>
  </tr>
  
  <tr>
    <td>
      <a href="https://arxiv.org/abs/2411.10109" rel="nofollow">
        1,052명의 에이전트
      </a>
    </td>
    
    <td>
      각 개인의 2주 후 재검사 대비 개별 응답
    </td>
    
    <td>
      소급적, 학술
    </td>
  </tr>
  
  <tr>
    <td>
      <a href="https://www.treatmenteffect.app" rel="nofollow">
        사회과학 실험 예측
      </a>
    </td>
    
    <td>
      설문 실험에서 효과의 방향과 크기
    </td>
    
    <td>
      소급적, 일부 미공개 연구 포함
    </td>
  </tr>
</tbody>
</table>

결과가 존재하기 전에 만들어진 예측을 채점하는 것은 첫 번째뿐입니다. 나머지는 방법론 개발에 유용하며, 대부분 공개되어 있어 어떤 팀이든 재실행할 수 있습니다. 항목도 공개되어 있어 모델이 훈련 중에 이미 봤을 가능성이 있습니다. 그래서 전향적 결과가 가장 큰 비중을 가집니다.

## 다음 단계

아직 어느 누구도 공개적으로 채점된 결과를 내놓지 않은 카테고리가 여럿 있습니다. 메시지 및 카피, 웹사이트 및 앱 행동, 미디어 및 엔터테인먼트 수요가 그것입니다. 단일 연구에만 의존하는 카테고리도 있습니다. 이것이 개척해야 할 영역이며, 사전 등록 원장이 우리가 채워나갈 방법입니다. 예측을 확정하고, 실제 결과를 기다리고, 점수를 공개합니다.

Minds Mosaic은 [Social Simulation Arena](https://social-simulation-arena.com)에 minds-mosaic으로 등록되어 있으며, 2026년 미국 중간선거 라운드와 11월부터 결과가 나오는 주간 설문 라운드에 대한 예측이 사전에 봉인되어 있습니다. 우리는 [예측 원장](https://forecasts.getminds.ai)에 설문을 계속 추가하고, 결과가 나올 때마다 모든 결과를 공개하며, 카테고리별로 노이즈 플로어와 함께 결과를 보고할 것입니다. 또한 최신 2026년 연구에서 Aaru의 공개 프로토콜도 실행하고 있습니다.

Minds Mosaic은 오디언스 시뮬레이션을 위한 우리의 프론티어 모델입니다. 모집단과 문항을 입력하면, 실제 결과가 존재하기 전에 전체 응답 분포를 예측합니다. 공개된 설문이 첫 번째 테스트입니다. 다음으로 Mosaic은 행동 예측, 즉 구매와 시청에 대한 예측을 실제로 사람들이 구매하고 시청한 것과 대조하여 측정받을 것입니다. 또한 위의 미개척 카테고리와 앞으로 몇 달에 걸쳐 결과가 나오는 아레나 라운드에서도 측정될 것이며, 모두 결과 전에 확정되고 공개적으로 채점됩니다.

오디언스 시뮬레이션 모델의 정확도 수치를 공개하는 분이라면, 이 카테고리 중 어느 것에서든 공동으로 사전 확정된 테스트를 진행하는 것을 환영합니다. 이것이 이 카테고리가 연구를 구매하는 사람들의 신뢰를 얻는 가장 빠른 방법입니다.