stratasynth-personas-8-countries

StrataSynth Personas (8 Countries) 是一个包含10,000个合成人物的多语言数据集，覆盖西班牙、墨西哥、美国、英国、德国、法国、意大利和巴西八个国家，每个国家1,250个样本。数据集中每个人物都包含27个结构化字段，包括唯一ID、姓名、国家、语言、年龄（18-85岁）、性别、地区、城市规模、教育程度、职业（当前和上一份）、收入水平（低/中/高，基于国家实际分布）、家庭类型、婚姻状况、子女数量及年龄、住房类型、就业状况、是否与父母同住、日常作息、人物传记、说话风格、爱好与兴趣（5项）、技能（3-6项）、未来目标（1-3项）、消费者特征（购物风格、价格敏感度、品牌忠诚度、可持续关注度、技术采纳度）以及人格特征（大五人格：开放性、尽责性、外向性、宜人性、神经质，以及成人依恋的焦虑和回避维度，均为0-1连续值）。所有文本字段（日常作息、传记、说话风格、爱好、技能、目标）均使用人物所属国家的语言（英语、西班牙语、德语、法语、意大利语、葡萄牙语）。数据集的构建以真实人口统计为基础：年龄、地区、教育、收入、居住安排、家庭结构（以及五个国家的职业）均遵循各国成人人口的真实分布；姓名来自各国真实姓名频率；职业使用当地惯用名称；收入水平反映各国按教育和年龄划分的家庭收入分布。版本2中引入了真实职业（西班牙、法国、美国、墨西哥、巴西）和真实就业率。数据集适用于多种场景：在部署前使用数千个逼真用户测试聊天机器人和代理（客户服务、银行、健康、公共服务）；进行公平性和偏差检查（向不同年龄、国家或性别的用户提出相同问题并比较回答）；播种合成数据（生成多样化的指令）；针对细分群体进行合成受访者预测试调查、产品和信息；以及角色扮演和角色工作（训练人物条件模型或游戏角色）。数据集以JSON Lines格式发布，每个国家一个独立文件（personas_es.jsonl等），可通过Hugging Face Datasets库按国家加载或合并为全部10,000个样本。许可协议为CC BY 4.0，使用时需注明出处为StrataSynth。StrataSynth Personas (8 Countries) is a multilingual dataset of 10,000 synthetic personas covering eight countries: Spain, Mexico, USA, UK, Germany, France, Italy, and Brazil, with 1,250 samples per country. Each persona includes 27 structured fields such as ID, name, country, language, age (18–85), gender, region, city size, education, current and previous occupation, income level (low/middle/high based on country-specific distribution), family type, marital status, number and ages of children, housing type, employment status, living with parents, daily routine, biography, speaking style, hobbies and interests (5), skills (3–6), future goals (1–3), consumer characteristics (shopping style, price sensitivity, brand loyalty, sustainability concern, tech adoption), and personality traits (Big Five: openness, conscientiousness, extraversion, agreeableness, neuroticism; and adult attachment anxiety and avoidance, all 0–1 continuous). All text fields are in the personas country language (English, Spanish, German, French, Italian, Portuguese). The dataset is built on real demographic distributions for age, region, education, income, living arrangements, family structure (and occupation for five countries); names come from real name frequencies; occupations use local names; income reflects household income by education and age for each country. Version 2 introduces realistic occupations (for Spain, France, USA, Mexico, Brazil) and realistic employment rates. It is suitable for testing chatbots and agents, fairness and bias checks, seeding synthetic data, pre-testing surveys and products for specific segments, and role-playing. The dataset is released as JSON Lines files (one per country) under CC BY 4.0, requiring attribution to StrataSynth.

原始信息汇总

StrataSynth Personas (8 Countries) 数据集概述

基本信息

• 数据集地址：https://huggingface.co/datasets/StrataSynth/stratasynth-personas-8-countries
• 许可证：CC BY 4.0（使用时请注明 StrataSynth）
• 语言：英语（en）、西班牙语（es）、德语（de）、法语（fr）、意大利语（it）、葡萄牙语（pt）
• 任务类别：文本生成（text-generation）
• 数据规模：10K<n<100K
• 标签：synthetic、synthetic-data、personas、synthetic-personas、persona、synthetic-users、stratasynth、user-simulation、agent-evaluation、multilingual、europe、latin-america、psychegraph

数据集内容

• 10,000 个合成人物，来自 8 个国家：西班牙、墨西哥、美国、英国、德国、法国、意大利、巴西。
• 每个国家 1,250 人，每人 27 个字段，共 6 种语言。
• 每个人物包含：身份信息（年龄、地区、工作、家庭、住房）、日常生活作息、说话风格、兴趣爱好、技能、目标，以及数值化的人格档案。传记、日常作息和爱好均基于该人格档案生成。

v2 版本新增内容

• 真实职业：西班牙、法国、美国、墨西哥、巴西的职业遵循各国不同年龄、性别、教育程度和收入人群的实际职业分布，且使用当地称呼（如巴西的 "operadora de caixa"、墨西哥的 "mesero"），每国数百种不同职业。
• 真实收入：income_level 遵循各国按教育和年龄划分的家庭收入实际分布（low = 后 30%，medium = 中间 40%，high = 前 30%），职业与收入保持一致。
• 真实就业：就业与失业比例遵循各国按性别和年龄划分的官方数据。

数据集特点

• 真实人群而非刻板印象：年龄、地区、教育、收入、居住安排和家庭结构（以及 8 国中 5 国的职业）遵循各国真实成年人口。子女年龄与父母年龄匹配。姓名遵循各国按世代划分的真实姓名频率。
• 覆盖欧洲及西语、葡语世界：6 个欧洲和美洲国家使用各自语言，包含地区细节（州、联邦州、大区、自治区）。
• 可筛选的人格：每个人均有大五人格（0-1）和成人依恋（焦虑、回避）。更外向的人有更多社交类爱好；更开放的人有更多文化和学习导向的爱好。
• 可直接作为用户模拟：传记加说话风格正是用户模拟器所需。
• 每个人各不相同：没有两个人共享相同的传记；重复全名比例远低于 1%，与真实人口相似。

主要用途

• 在正式上线前用数千名真实感用户测试聊天机器人和智能体（客户服务、银行、医疗、公共服务）。
• 公平性与偏见检查：向仅年龄、国家或性别不同的人提出相同问题并比较回答。
• 为合成数据播种："写出这个人会问的问题"能产生比单一提示更多样的指令。
• 作为合成受访者，按细分群体预测试调查、产品和信息。
• 角色扮演和角色创作，从人格条件模型的训练数据到游戏角色。

示例记录

json { "id": "gb-00026", "name": "David Shaw", "country": "GB", "language": "en", "age": 43, "gender": "male", "region": "London", "city_size": "metro", "education": "vocational", "occupation": "telecom installer", "last_occupation": null, "income_level": "medium", "household_type": "family_teen", "marital_status": "partnered", "children": 2, "children_ages": [10, 13], "housing": "rented", "employment_status": "employed", "lives_with_parents": false, "daily_routine": "…", "persona": "…", "speaking_style": "…", "hobbies_and_interests": ["Watching football with friends", "Sunday league five-a-side", "Pub quiz nights", "Family day trips", "DIY around the flat"], "skills": ["Cable installation and testing", "Reading building plans", "Troubleshooting network faults", "Making people laugh", "Basic home repairs"], "goals": ["…"], "consumer": {"shopping_style": "deliberate", "price_sensitivity": "medium", "brand_loyalty": "medium", "sustainability_concern": "medium", "tech_adoption": "mainstream"}, "personality": { "big_five": {"O": 0.5, "C": 0.68, "E": 0.78, "A": 0.21, "N": 0.65}, "attachment": {"anxiety": 0.24, "avoidance": 0.29} } }

字段说明

字段	类型	描述
id	string	国家代码 + 编号，如 es-00001
name	string	全名。西班牙、墨西哥和巴西按当地习俗使用两个姓氏
country	string	ES、MX、US、GB、DE、FR、IT、BR
language	string	所有文本字段的语言：es、en、de、fr、it、pt
age	int	18 至 85
gender	string	male、female、non_binary
region	string	国内地区（巴西：宏观区域）
city_size	string	rural、small、medium、large、metro
education	string	secondary、vocational、university、postgrad
occupation	string	null
last_occupation	string	null
income_level	string	low、medium、high，相对于该国
household_type	string	single、couple、family_young、family_teen、empty_nester
marital_status	string	single、partnered、married、divorced、widowed
children	int	子女人数
children_ages	list[int]	子女年龄
housing	string	owned、rented、family_home
employment_status	string	employed、unemployed、student、retired、homemaker、other
lives_with_parents	bool	null
daily_routine	string	典型的一天，使用人物语言
persona	string	传记，使用人物语言
speaking_style	string	说话方式：语气、长度、词汇、习惯，使用人物语言
hobbies_and_interests	list[string]	五项爱好和兴趣
skills	list[string]	三到六项技能
goals	list[string]	未来一到三个目标
consumer	object	shopping_style、price_sensitivity、brand_loyalty、sustainability_concern、tech_adoption
personality.big_five	object	O 开放性、C 尽责性、E 外向性、A 宜人性、N 神经质，0 至 1
personality.attachment	object	成人依恋 anxiety 和 avoidance，0 至 1

数据一览

• 10,000 人，每国 1,250 人；年龄 18-85 岁（中位数 47）。
• 就业：59% 在职，19% 退休，9% 居家，4% 失业，5% 在读。
• 职业：西班牙、法国、美国、墨西哥和巴西每国 243 至 401 种不同职业。
• 住房：48% 拥有住房，38% 租房，14% 住在家庭住宅。
• 文本：传记约 145 词；每个人都有日常作息、说话风格、爱好、技能和目标。

配置与文件

• 配置名称：default
• 每个国家一个 JSON Lines 文件，每国为一个 split：
  • split: es → personas_es.jsonl
  • split: mx → personas_mx.jsonl
  • split: us → personas_us.jsonl
  • split: gb → personas_gb.jsonl
  • split: de → personas_de.jsonl
  • split: fr → personas_fr.jsonl
  • split: it → personas_it.jsonl
  • split: br → personas_br.jsonl

使用代码

python from datasets import load_dataset, concatenate_datasets ds = load_dataset("StrataSynth/stratasynth-personas-8-countries") # one split per country es = ds["es"] # 1,250 people from Spain everyone = concatenate_datasets(list(ds.values())) # all 10,000

单国数据集

每个国家也单独发布，并配有各自的图表：

• 西班牙：https://huggingface.co/datasets/StrataSynth/stratasynth-personas-spain
• 墨西哥：https://huggingface.co/datasets/StrataSynth/stratasynth-personas-mexico
• 美国：https://huggingface.co/datasets/StrataSynth/stratasynth-personas-united-states
• 英国：https://huggingface.co/datasets/StrataSynth/stratasynth-personas-united-kingdom
• 德国：https://huggingface.co/datasets/StrataSynth/stratasynth-personas-germany
• 法国：https://huggingface.co/datasets/StrataSynth/stratasynth-personas-france
• 意大利：https://huggingface.co/datasets/StrataSynth/stratasynth-personas-italy
• 巴西：https://huggingface.co/datasets/StrataSynth/stratasynth-personas-brazil

以上全部归属于 StrataSynth Personas 集合：https://huggingface.co/collections/StrataSynth/stratasynth-personas-6ab96c1be53faa6c4c596031

联系方式

这些人物来源于 StrataSynth 的 Humans Engine。如需特定细分群体或国家的人物，或希望对其进行访谈，请联系：[e-mail]

注意事项

• 每个人物完全为合成数据，并非真实人物或任何机构的记录，与真实人物的任何相似均为巧合。
• 姓名取自各国真实姓名频率，因此合成人物可能与真实人物同名。

搜集汇总

数据集介绍

构建方式

该数据集立足于合成人口模拟与跨文化用户建模的研究脉络，旨在为多语言智能体评测与公平性分析提供高保真的人物画像资源。其构建以八国真实成年人口统计分布为锚点，依据年龄、性别、教育程度与收入水平对职业、就业状态及家庭结构进行条件采样，使儿童年龄与父母年龄相互匹配；姓名则按各国世代姓名频率抽取，收入层级对应家庭收入的下三成、中间四成与上三成。在此基础上，自人格剖面出发生成传记、日常作息与兴趣文本，全部以人物母语撰写，并保证传记互不重复、重名率低于百分之一，从而形成统计结构与个体叙事相互印证的合成人物体系。

特点

数据集的核心特质在于其以真实人口结构消解刻板印象的取向，涵盖西班牙、墨西哥、美国、英国、德国、法国、意大利与巴西八国，每国一千二百五十人，年龄跨度为十八至八十五岁，六种语言分别承载各自文本。每位人物包含二十七个字段，既有年龄、地区、教育、收入、居住安排等社会人口属性，也有日常作息、言谈风格、兴趣爱好、技能与目标等叙事维度，并附大五人格与成人依恋的数值剖面，使外向者更具社交型爱好、开放者更倾向文化与学习活动。西班牙、法国、美国、墨西哥与巴西五国还提供符合当地称谓习惯的真实职业名录，每国职业种类达二百四十三至四百零一种。

使用方法

在应用层面，该数据集通过HuggingFace的datasets接口加载，每个国家对应一个数据分片，既可单独调用某国子集，亦可拼接为全部一万人的完整集合。使用时可将传记与言谈风格直接嵌入提示词，使语言模型扮演具有特定口音习惯、态度与生活背景的用户，从而支撑客服、银行、医疗与公共服务等场景下的对话系统压力测试。研究者亦可固定除年龄、国别或性别外的变量，向不同人物提出同一问题以考察回答差异，或借助人物画像生成多样化的提问与指令以实现合成数据播种。此外，该资源还可服务于调查预测试、细分市场信息测试、角色扮演与人格条件化模型的训练数据构建。

背景与挑战

背景概述

合成人物数据集在用户模拟与智能体评测领域日益受到重视，其旨在为对话系统提供具备人口统计学真实性与人格多样性的虚拟用户。StrataSynth Personas（8 Countries）由StrataSynth团队构建，于2024年前后发布，覆盖西班牙、墨西哥、美国、英国、德国、法国、意大利和巴西八国，共10,000名合成人物，每人包含27个字段，以六种语言书写。该数据集的核心研究问题在于如何以真实人口分布为基准生成可过滤、可复现的合成用户，从而服务于聊天机器人测试、公平性审计及合成数据种子生成等任务，对多语言用户模拟与偏见评估领域具有显著的推动作用。

当前挑战

该数据集所应对的领域问题在于，传统用户模拟往往依赖刻板印象或单一模板，难以反映真实人口在年龄、地域、教育、收入及职业等方面的复杂分布，亦无法支持多语言、跨文化的公平性比较。构建过程中的挑战包括：如何确保姓名频率、就业率、收入分布与各国官方统计保持一致；如何使职业称谓符合当地语言习惯；如何让性格画像与兴趣爱好、日常作息形成内在一致而非随机拼接；以及如何避免重复全名比例过高、确保传记文本互不雷同。此外，在八国六语言之间维持同等质量与粒度，亦构成持续的方法论挑战。

常用场景

经典使用场景

在人工智能与计算社会科学交叉领域，合成人物数据集常被用于构建高保真度的用户模拟器，以替代真实人类受试者开展大规模行为实验。stratasynth-personas-8-countries 汇聚了来自西班牙、墨西哥、美国、英国、德国、法国、意大利与巴西八个国家的10000名合成个体，每人拥有27个维度的结构化画像，涵盖人口统计特征、日常作息、言谈风格、消费倾向以及大五人格与成人依恋的量化档案。经典使用场景在于，研究者可将任一人物档案嵌入对话提示词，令大语言模型扮演特定国籍、职业与性格的虚拟用户，从而在客户服务、银行咨询、健康问诊等交互式任务中批量生成多样化的用户反馈，用以检验对话代理的鲁棒性与适应性。

实际应用

在实际产业应用中，该数据集为对话式人工智能产品上线前的压力测试提供了高效解决方案。产品团队可以从八个国家中抽取数千名具有不同消费风格、技术采纳度与人格特质的合成用户，对客服机器人、智能投顾或公共卫生咨询系统发起多轮交互，观察模型在多元语言与文化语境下的表现。与此同时，市场研究机构可借助这些合成受访者开展问卷预测试，通过比较不同人群对同一产品概念或营销信息的反应，快速识别潜在的文化敏感点与传播障碍。角色扮演与游戏开发领域亦可从中提取具有一致人格设定与言谈风格的角色原型，用于训练人格条件化模型或构建虚拟剧情人物。

衍生相关工作

围绕该数据集已衍生出若干具有代表性的研究方向与经典工作。在用户模拟方面，研究者基于其人物档案构建了多语言对话代理评测基准，用以衡量大语言模型在跨文化场景中的角色保持能力。在公平性研究领域，该数据集被用于生成配对反事实人物，即仅改变年龄、国别或性别而保持其他特质不变，从而精准测量模型输出中的系统性偏差。此外，合成数据增强工作借助其“以人物视角生成问题”的机制，产出了远比单一提示更为多样化的指令数据集。在人格条件化文本生成任务中，该数据集的大五人格与依恋评分成为控制生成风格的重要调节变量，推动了性格可控文本生成技术的进展。