ScioMind: Cognitively Grounded Multi-Agent Social Simulation with Anchoring-Based Belief Dynamics and Dynamic Profiles
作者: Yitian Yang, Yiqun Duan, Linghan Huang, Yiqi Zhu, Francesco Bailo, Chunmeizi Su, Huaming Chen
分类: cs.AI, cs.SI
发布日期: 2026-05-13
💡 一句话要点
ScioMind：基于认知的社会模拟框架，提升LLM驱动的多智能体系统行为真实性
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多智能体模拟 社会舆论动态 认知建模 大型语言模型 锚定效应
📋 核心要点
- 现有基于LLM的多智能体模拟方法在认知基础和行为真实性方面存在不足，难以准确模拟社会舆论动态。
- ScioMind框架结合结构化舆论动态和LLM推理，通过记忆锚定、分层记忆和动态画像提升模拟的认知合理性。
- 实验表明，ScioMind在极化、多样性等指标上优于现有方法，更符合政治心理学中的人类行为模式。
📝 摘要（中文）
本文提出ScioMind，一个基于认知的多智能体社会模拟框架，旨在弥合现有方法在社会舆论动态研究中的不足。现有方法要么依赖于固定规则，认知基础薄弱，要么过度依赖无约束的LLM交互。ScioMind结合了结构化的舆论动态和基于LLM的智能体推理，集成了三个关键组件：1) 基于记忆锚定的信念更新规则，通过人格调节锚定强度来控制易感性；2) 分层记忆架构，支持持久的、经验驱动的信念形成；3) 动态智能体画像，源于语料库检索管道，实现异构人格、理由和演化的内部状态。在现实政策辩论场景的多个案例研究中，评估结果表明，所提出的组件在极化、多样性、极端化和轨迹稳定性等指标上均能持续改进行为真实性。动态画像增加舆论多样性，记忆和反思减少不稳定的震荡，锚定诱导持久的信念轨迹，更好地与政治心理学中报告的模式对齐。这些结果表明，基于认知的框架为基于LLM的社会模拟提供了一种新的解决方案，提高了稳定性和行为真实性。
🔬 方法详解
问题定义：现有基于LLM的多智能体社会模拟方法，要么采用固定规则更新信念，缺乏认知基础；要么完全依赖LLM的无约束交互，难以控制和解释。这导致模拟结果与真实社会行为存在偏差，例如信念不稳定、群体极化等问题。
核心思路：ScioMind的核心思路是将结构化的舆论动态与LLM的推理能力相结合，构建一个更具认知合理性的模拟框架。通过引入记忆锚定、分层记忆和动态画像，使智能体的信念更新过程更加贴近人类的认知过程，从而提高模拟的真实性和可控性。
技术框架：ScioMind框架包含三个主要模块：1) 记忆锚定的信念更新：使用锚定调整模型来更新智能体的信念，锚定强度受智能体人格影响。2) 分层记忆架构：包括短期记忆和长期记忆，用于存储和检索相关信息，支持经验驱动的信念形成。3) 动态智能体画像：通过检索语料库生成智能体的个性化信息，包括人格、理由和内部状态，使智能体具有异构性。
关键创新：ScioMind的关键创新在于将认知心理学的概念（如锚定效应、记忆结构）融入到LLM驱动的社会模拟中。与现有方法相比，ScioMind不仅利用LLM的生成能力，更注重对智能体行为的认知建模，从而提高了模拟的真实性和可解释性。
关键设计：在记忆锚定的信念更新中，使用人格特征（如开放性、尽责性等）来调节锚定强度，使不同人格的智能体对外部信息的影响程度不同。分层记忆架构采用检索增强的方式，从长期记忆中检索相关信息，用于指导智能体的推理和决策。动态智能体画像通过检索大规模语料库，为每个智能体生成个性化的背景信息和信念，增加了智能体的异构性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，ScioMind在多个指标上优于现有方法。例如，动态画像显著提高了舆论多样性，记忆和反思机制有效减少了信念震荡，锚定效应使得信念轨迹更加稳定，更符合政治心理学中的人类行为模式。在极化、多样性、极端化和轨迹稳定性等指标上，ScioMind均取得了显著的改进。
🎯 应用场景
ScioMind可应用于社会舆论分析、政策影响评估、公共关系管理等领域。通过模拟不同人群在特定事件下的反应，可以帮助决策者更好地理解社会动态，制定更有效的政策，并预测政策的潜在影响。此外，该框架还可用于研究群体行为、社会网络和信息传播等社会科学问题。
📄 摘要（原文）
Large language model (LLM)-based multi-agent simulation offers a powerful testbed for studying social opinion dynamics. Yet current approaches often adopt two contrasting methods: either relying on fixed update rules with limited cognitive grounding or delegating belief change largely to unconstrained LLM interaction. We introduce ScioMind, a cognitively grounded simulation framework that bridges these paradigms by combining structured opinion dynamics with LLM-based agent reasoning. ScioMind integrates three key components: 1) a memory-anchored belief update rule that modulates susceptibility to influence via personality-conditioned anchoring strength; 2) a hierarchical memory architecture that supports persistent, experience-driven belief formation; and 3) dynamic agent profiles derived from a corpus-grounded retrieval pipeline, enabling heterogeneous personalities, rationales, and evolving internal states. We evaluate ScioMind on multiple case studies in a real-world policy debate scenario. Across metrics including polarisation, diversity, extremization, and trajectory stability, the proposed components consistently yield improvements in behavioural realism. In particular, dynamic profiles increase opinion diversity, memory and reflection reduce unstable oscillation, and anchoring induces persistent belief trajectories that better align with patterns reported in political psychology. These results suggest that our cognitively grounded design provides a novel solution to LLM-based social simulation that improves both stable and behavioural realism