Synthetic Worldview Reconstruction (SWR): An LLM-Supported Method for Analyzing Latent Belief Systems

Abstract (English) This work introduces Synthetic Worldview Reconstruction (SWR), a new social science method for reconstructing latent belief systems from publicly available data. SWR formalizes this reconstruction task as an inverse problem: given observable manifestations of an actor—public statements and documented actions—the goal is to identify the underlying belief system (worldview) that most coherently generates these manifestations. A Large Language Model (LLM) serves as the inversion operator, constructing a fictional synthetic person whose worldview provides the best explanatory fit for the totality of the input data. The method operationalizes this core idea through a standardized prompt protocol (synthesis, interview, reflection, distillate), systematic data grouping into synthesis units along six independent variables, six complementary operationalizations, and a multi-layered validation framework. Its theoretical anchoring connects four traditions: Weber's ideal type, Booth's implied author, Inverse Reinforcement Learning, and projective test procedures. SWR combines qualitative depth with quantitative scalability, enabling—for the first time—systematic reconstruction and comparison of latent worldviews across large numbers of actors. Zusammenfassung (Deutsch) Die vorliegende Arbeit stellt die Synthetische Weltbild-Rekonstruktion (SWR) als neue sozialwissenschaftliche Methode vor. Die SWR formalisiert die Rekonstruktion latenter Überzeugungssysteme als inverses Problem: Gegeben sind die beobachtbaren Manifestationen eines Akteurs – öffentliche Aussagen und dokumentierte Handlungen –, gesucht ist das innere Überzeugungssystem (Weltbild), das diese Manifestationen am kohärentesten erzeugen würde. Ein großes Sprachmodell (Large Language Model, LLM) fungiert als Inversionsoperator und konstruiert eine fiktive synthetische Person, deren Weltbild den bestmöglichen Fit für die Gesamtheit der Daten bietet. Das Verfahren operationalisiert diesen Grundgedanken durch ein standardisiertes Prompt-Protokoll (Synthese, Interview, Reflexion, Destillat), eine systematische Datengruppierung in Syntheseeinheiten entlang von sechs unabhängigen Variablen, sechs komplementäre Operationalisierungen und einen mehrschichtigen Validierungsrahmen. Die theoretische Verankerung verbindet vier Traditionen: Webers Idealtyp, Booths implied author, Inverse Reinforcement Learning und projektive Testverfahren. Die Methode verbindet qualitative Tiefe mit quantitativer Skalierbarkeit und zielt darauf ab, erstmals die systematische Rekonstruktion und den Vergleich latenter Weltbilder für große Personenzahlen zu ermöglichen. Schlagwörter: Weltbild-Rekonstruktion, Large Language Models, qualitative Methoden, inverses Problem, Computational Social Science, fiktive synthetische Person