Towards Simulating Social Influence Dynamics with LLM-based Multi-agents
作者: Hsien-Tsung Lin, Pei-Cing Huang, Chan-Tung Ku, Chan Hsu, Pei-Xuan Shieh, Yihuang Kang
分类: cs.MA, cs.AI, cs.CY
发布日期: 2025-07-30
💡 一句话要点
利用LLM多智能体模拟在线论坛中的社会影响动力学
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: LLM 多智能体模拟 社会影响动力学 群体极化 一致性 在线论坛 推理能力
📋 核心要点
- 现有方法难以有效模拟复杂的人类社会互动，尤其是在线论坛中的社会影响。
- 本文提出利用LLM构建多智能体模拟环境，以重现和分析在线论坛中的社会动态。
- 实验表明，模型规模和推理能力对社会影响的敏感度有显著影响，小模型更易受影响。
📝 摘要（中文）
本文研究了基于大型语言模型（LLM）的多智能体模拟是否能够重现在线论坛中观察到的人类社会动态。我们使用结构化的模拟框架，评估了不同模型规模和推理能力下的一致性动态、群体极化和碎片化现象。研究结果表明，较小的模型表现出较高的一致性率，而针对推理优化的模型更能抵抗社会影响。
🔬 方法详解
问题定义：论文旨在研究如何使用LLM模拟在线论坛中的社会影响动力学，包括一致性、群体极化和碎片化。现有方法难以捕捉人类社会互动的复杂性，缺乏对不同模型规模和推理能力影响的系统性研究。
核心思路：核心思路是构建一个基于LLM的多智能体模拟环境，每个智能体代表论坛中的一个用户，通过模拟用户之间的互动来观察和分析社会影响的演变。通过控制LLM的规模和推理能力，研究这些因素对社会动态的影响。
技术框架：整体框架包含以下几个主要模块：1) 智能体初始化：为每个智能体分配初始观点和属性。2) 互动模拟：智能体之间进行对话和互动，根据预设的规则模拟社会影响。3) 动态评估：定期评估群体的一致性、极化程度和碎片化程度。4) 参数控制：调整LLM的规模和推理能力，观察其对社会动态的影响。
关键创新：关键创新在于将LLM应用于社会影响动力学的模拟，并系统性地研究了模型规模和推理能力对模拟结果的影响。与传统的基于规则或统计模型的模拟方法相比，LLM能够更好地捕捉人类行为的复杂性和多样性。
关键设计：论文使用了不同规模的LLM，并对模型进行了推理能力的优化。具体的技术细节包括：1) 使用特定的prompt engineering来引导LLM的行为。2) 设计了量化一致性、极化和碎片化的指标。3) 通过控制智能体之间的互动频率和强度来模拟不同的社会环境。
📊 实验亮点
实验结果表明，较小的LLM模型表现出更高的一致性率，更容易受到社会影响。而经过推理能力优化的模型则更具独立性，更能抵抗群体压力。这些发现为理解LLM在社会模拟中的作用提供了重要见解，并为设计更有效的社会干预策略提供了依据。
🎯 应用场景
该研究可应用于社交媒体平台的内容推荐、舆情分析和虚假信息检测。通过模拟不同策略的影响，可以帮助平台更好地管理社区氛围，减少负面影响，并促进健康的信息传播。此外，该方法还可以用于研究群体决策、组织行为等领域。
📄 摘要（原文）
Recent advancements in Large Language Models offer promising capabilities to simulate complex human social interactions. We investigate whether LLM-based multi-agent simulations can reproduce core human social dynamics observed in online forums. We evaluate conformity dynamics, group polarization, and fragmentation across different model scales and reasoning capabilities using a structured simulation framework. Our findings indicate that smaller models exhibit higher conformity rates, whereas models optimized for reasoning are more resistant to social influence.