MTOS: A LLM-Driven Multi-topic Opinion Simulation Framework for Exploring Echo Chamber Dynamics
作者: Dingyi Zuo, Hongjie Zhang, Jie Ou, Chaosheng Feng, Shuwan Liu
分类: cs.AI
发布日期: 2025-10-14
备注: 14 pages, 11figures
💡 一句话要点
提出MTOS框架，利用LLM模拟多主题意见演化，探索回音室效应
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多主题意见演化 大型语言模型 回音室效应 社会模拟 意见极化
📋 核心要点
- 现有方法难以捕捉多主题、跨领域背景下的认知转移，且传统数值模型简化了语言态度，缺乏可解释性。
- MTOS框架结合LLM和多主题背景，利用短期和长期记忆、用户选择机制和信念衰减机制模拟意见演化。
- 实验表明，多主题设置显著改变极化趋势，且基于LLM的agent能更真实地模拟意见变化和人类推理。
📝 摘要（中文）
社交媒体上的意见极化、信息隔离和认知偏差已引起广泛关注。真实网络中的信息通常跨越多个相关主题，给意见演化带来挑战，因此需要模拟主题间交互的框架。现有基于大型语言模型（LLM）的研究主要集中于单一主题，限制了多主题、跨领域背景下认知转移的捕捉。传统的数值模型则将复杂的语言态度简化为离散值，缺乏可解释性、行为一致性以及整合多个主题的能力。为了解决这些问题，我们提出了多主题意见模拟（MTOS）框架，该框架将多主题背景与LLM相结合。MTOS利用LLM以及短期和长期记忆，结合多种用户选择交互机制和动态主题选择策略，并采用信念衰减机制来实现跨主题的视角更新。我们对MTOS进行了广泛的实验，改变了主题数量、相关类型，并进行了消融研究，以评估群体极化和局部一致性等特征。结果表明，多主题设置显著改变了极化趋势：正相关的topic会放大回音室效应，负相关的topic会抑制回音室效应，不相关的topic也会通过资源竞争来缓解回音室效应。与数值模型相比，基于LLM的agent能够真实地模拟动态的意见变化，重现新闻文本的语言特征，并捕捉复杂的人类推理，从而提高模拟的可解释性和系统稳定性。
🔬 方法详解
问题定义：现有研究在模拟社交媒体上的意见演化时，主要面临两个挑战。一是缺乏对多主题之间相互影响的建模能力，真实世界中人们的观点往往受到多个相关主题的影响，而现有方法大多只关注单一主题。二是传统数值模型无法准确捕捉人类复杂的语言态度和推理过程，导致模拟结果缺乏可解释性和真实性。
核心思路：MTOS框架的核心思路是利用大型语言模型（LLM）来模拟个体在多主题环境下的意见演化过程。通过赋予LLM短期和长期记忆，以及模拟用户选择交互机制和动态主题选择策略，MTOS能够更真实地反映个体在社交媒体上的信息接收、观点形成和传播过程。此外，MTOS还引入了信念衰减机制，允许个体在不同主题之间更新视角，从而更好地模拟认知转移现象。
技术框架：MTOS框架主要包含以下几个模块： 1. LLM Agent：作为模拟个体的核心，负责接收信息、形成观点和进行交互。 2. 短期记忆：用于存储最近接收到的信息和形成的观点，影响当前的决策。 3. 长期记忆：用于存储历史信息和观点，形成长期信念。 4. 用户选择交互机制：模拟用户在社交媒体上的信息选择行为，例如关注、点赞、评论等。 5. 动态主题选择策略：模拟用户在不同主题之间的切换行为，以及不同主题对用户观点的影响。 6. 信念衰减机制：允许个体在不同主题之间更新视角，模拟认知转移现象。
关键创新：MTOS框架的关键创新在于将LLM与多主题环境相结合，从而能够更真实地模拟社交媒体上的意见演化过程。与传统的数值模型相比，MTOS能够捕捉人类复杂的语言态度和推理过程，提高模拟的可解释性和真实性。此外，MTOS还引入了信念衰减机制，允许个体在不同主题之间更新视角，从而更好地模拟认知转移现象。
关键设计：MTOS框架的关键设计包括： 1. LLM的选择：选择具有较强语言理解和生成能力的LLM，例如GPT-3或LLaMA。 2. 短期和长期记忆的实现：可以使用向量数据库或知识图谱来存储和检索信息。 3. 用户选择交互机制的建模：可以使用概率模型或强化学习来模拟用户的选择行为。 4. 动态主题选择策略的实现：可以使用基于注意力的机制或主题模型来模拟主题选择行为。 5. 信念衰减机制的实现：可以使用指数衰减函数或sigmoid函数来模拟信念的衰减过程。
🖼️ 关键图片
📊 实验亮点
实验结果表明，多主题设置显著改变了极化趋势：正相关的topic会放大回音室效应，负相关的topic会抑制回音室效应，不相关的topic也会通过资源竞争来缓解回音室效应。与数值模型相比，基于LLM的agent能够真实地模拟动态的意见变化，重现新闻文本的语言特征，并捕捉复杂的人类推理。
🎯 应用场景
MTOS框架可应用于研究社交媒体上的意见极化、信息茧房和虚假信息传播等问题。通过模拟不同干预策略的效果，可以为平台治理提供决策支持。此外，该框架还可用于预测舆情走势、评估政策影响以及进行社会风险评估等。
📄 摘要（原文）
The polarization of opinions, information segregation, and cognitive biases on social media have attracted significant academic attention. In real-world networks, information often spans multiple interrelated topics, posing challenges for opinion evolution and highlighting the need for frameworks that simulate interactions among topics. Existing studies based on large language models (LLMs) focus largely on single topics, limiting the capture of cognitive transfer in multi-topic, cross-domain contexts. Traditional numerical models, meanwhile, simplify complex linguistic attitudes into discrete values, lacking interpretability, behavioral consistency, and the ability to integrate multiple topics. To address these issues, we propose Multi-topic Opinion Simulation (MTOS), a social simulation framework integrating multi-topic contexts with LLMs. MTOS leverages LLMs alongside short-term and long-term memory, incorporates multiple user-selection interaction mechanisms and dynamic topic-selection strategies, and employs a belief decay mechanism to enable perspective updates across topics. We conduct extensive experiments on MTOS, varying topic numbers, correlation types, and performing ablation studies to assess features such as group polarization and local consistency. Results show that multi-topic settings significantly alter polarization trends: positively correlated topics amplify echo chambers, negatively correlated topics inhibit them, and irrelevant topics also mitigate echo chamber effects through resource competition. Compared with numerical models, LLM-based agents realistically simulate dynamic opinion changes, reproduce linguistic features of news texts, and capture complex human reasoning, improving simulation interpretability and system stability.