From Divergence to Consensus: Evaluating the Role of Large Language Models in Facilitating Agreement through Adaptive Strategies

📄 arXiv: 2503.15521v1 📥 PDF

作者: Loukas Triantafyllopoulos, Dimitris Kalles

分类: cs.HC, cs.AI, cs.CL, cs.CY

发布日期: 2025-02-03

备注: 32 pages, 5 figures, 4 tables

💡 一句话要点

提出基于LLM的自适应协商框架，促进群体决策达成共识

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 群体决策 自动化协调 共识达成 自适应策略

📋 核心要点

  1. 传统群体决策方法在处理大规模讨论时效率低、可扩展性差，难以有效调和不同观点和消除偏见。
  2. 该研究提出利用LLM作为自动化协调者，通过自适应策略迭代改进共识提案，促进群体达成一致。
  3. 实验表明，ChatGPT 4.0在对齐参与者意见和减少迭代次数方面优于其他LLM，展现了LLM在群体决策中的潜力。

📝 摘要（中文）

本研究提出了一种新颖的框架，利用大型语言模型（LLM）作为自动化协调者，在一个定制的多用户聊天系统中促进群体决策达成共识。传统方法在处理大规模、快节奏的讨论时，受到可扩展性和效率的限制。该框架使用余弦相似度作为核心指标，评估了ChatGPT 4.0、Mistral Large 2和AI21 Jamba Instruct这三种先进的LLM综合共识提案的能力，使其与参与者的观点保持一致。与传统技术不同，该系统集成了自适应协调策略，包括澄清误解、总结讨论和提出妥协方案，使LLM能够根据用户反馈迭代地改进共识提案。实验结果表明，ChatGPT 4.0表现最佳，与参与者意见的对齐度更高，并且与同类模型相比，达到共识所需的迭代次数更少。此外，分析揭示了这些模型在各种以可持续性为重点的讨论主题（如气候行动、优质教育、良好健康和福祉以及清洁用水和卫生设施）中的细微表现。这些发现突出了LLM驱动的协调在改进集体决策过程中的变革潜力，并强调了在未来研究中推进评估指标和跨文化适应性的重要性。

🔬 方法详解

问题定义：群体决策中，不同观点的调和以及偏见的消除是难题。传统的人工协调方法难以扩展到大规模、快节奏的讨论中，效率低下。因此，需要一种自动化的方法来促进共识的达成。

核心思路：利用大型语言模型（LLM）的自然语言理解和生成能力，使其扮演自动化协调者的角色。通过分析参与者的观点，LLM可以总结讨论、澄清误解、提出妥协方案，并迭代地改进共识提案，最终促使群体达成一致。

技术框架：该框架包含一个定制的多用户聊天系统，以及集成了LLM的自动化协调模块。参与者在聊天系统中进行讨论，LLM实时分析讨论内容，并根据参与者的反馈迭代地生成和改进共识提案。系统使用余弦相似度来评估LLM生成的提案与参与者观点的对齐程度。

关键创新：该研究的关键创新在于将LLM应用于群体决策的协调过程，并设计了自适应的协调策略。与传统的静态方法不同，该框架能够根据参与者的反馈动态调整LLM的行为，从而更有效地促进共识的达成。

关键设计：该框架的关键设计包括：1) 使用余弦相似度作为评估指标，衡量LLM生成的提案与参与者观点的对齐程度；2) 集成自适应协调策略，包括澄清误解、总结讨论和提出妥协方案；3) 通过迭代的方式，根据用户反馈不断改进共识提案。具体使用的LLM包括ChatGPT 4.0、Mistral Large 2和AI21 Jamba Instruct，并针对不同的可持续发展主题进行了实验。

📊 实验亮点

实验结果表明，ChatGPT 4.0在与参与者意见的对齐度方面优于Mistral Large 2和AI21 Jamba Instruct，并且达到共识所需的迭代次数更少。这表明ChatGPT 4.0在自动化协调方面具有更强的能力。此外，研究还分析了不同LLM在不同可持续发展主题上的表现差异，为未来LLM在特定领域的应用提供了参考。

🎯 应用场景

该研究成果可应用于各种需要群体决策的场景，例如在线论坛、企业会议、政策制定等。通过利用LLM自动化协调，可以提高决策效率，减少偏见，并促进更广泛的参与。未来，该技术有望应用于跨文化交流和国际合作，促进全球问题的解决。

📄 摘要（原文）

Achieving consensus in group decision-making often involves overcoming significant challenges, particularly in reconciling diverse perspectives and mitigating biases that hinder agreement. Traditional methods relying on human facilitators are often constrained by scalability and efficiency, especially in large-scale, fast-paced discussions. To address these challenges, this study proposes a novel framework employing large language models (LLMs) as automated facilitators within a custom-built multi-user chat system. Leveraging cosine similarity as a core metric, this approach evaluates the ability of three state-of-the-art LLMs- ChatGPT 4.0, Mistral Large 2, and AI21 Jamba Instruct- to synthesize consensus proposals that align with participants' viewpoints. Unlike conventional techniques, the system integrates adaptive facilitation strategies, including clarifying misunderstandings, summarizing discussions, and proposing compromises, enabling the LLMs to iteratively refine consensus proposals based on user feedback. Experimental results demonstrate the superiority of ChatGPT 4.0, which achieves higher alignment with participant opinions, requiring fewer iterations to reach consensus compared to its counterparts. Moreover, analysis reveals the nuanced performance of the models across various sustainability-focused discussion topics, such as climate action, quality education, good health and well-being, and access to clean water and sanitation. These findings highlight the transformative potential of LLM-driven facilitation for improving collective decision-making processes and underscore the importance of advancing evaluation metrics and cross-cultural adaptability in future research.