MASS: Deep Research for Social Sciences with Memory-Augmented Social Simulation
作者: Yongrui Liu, Deyi Xiong
分类: cs.AI
发布日期: 2026-06-08
💡 一句话要点
提出记忆增强社会模拟以提升社会科学研究的创造力
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 记忆增强 社会模拟 大型语言模型 自动化论文写作 社会科学研究 创造力提升 实证基础
📋 核心要点
- 现有的自动化论文写作系统过于依赖文献检索，导致生成的研究缺乏创造性和深度。
- 提出了记忆增强社会模拟（MASS），通过真实的社会模拟提升LLMs生成研究的创造性和实证基础。
- 实验结果显示，MASS在生成质量和洞察力上均显著优于现有强基线，提升幅度分别为6.81%和17.19%。
📝 摘要（中文）
深度研究代理基于大型语言模型（LLMs）在自动化论文写作任务中展现了卓越的潜力。然而，现有系统过于依赖文献检索和合成，导致社会科学研究缺乏洞察力和创造性。为了解决这一问题，本文提出了“记忆增强社会模拟（MASS）”这一创新范式，利用高度真实且以研究为导向的社会模拟来增强LLMs生成研究的创造性和实证基础。MASS集成了三个核心组件：动态目标路径规划与多层次社会规范约束、用于代理记忆冷启动的多学科行为数据集，以及受艾宾浩斯曲线启发的结构性遗忘机制。实验结果表明，该方法在生成整体质量上比基础LLMs提升了6.81%，在洞察力上比强基线提升了17.19%。
🔬 方法详解
问题定义：现有的自动化研究生成方法依赖于文献检索和合成，导致生成内容缺乏创新性和深度，尤其在社会科学领域表现明显不足。
核心思路：MASS通过引入记忆增强的社会模拟，结合动态目标路径规划和多层次社会规范，旨在提升LLMs生成研究的创造性和实证基础。
技术框架：MASS的整体架构包括三个主要模块：1) 动态目标路径规划模块，负责引导模拟过程；2) 多学科行为数据集，用于解决代理的记忆冷启动问题；3) 结构性遗忘机制，确保模拟的真实性和有效性。
关键创新：MASS的创新点在于将社会模拟与记忆增强结合，利用真实的社会行为数据和遗忘机制，显著提升了生成研究的质量和洞察力。
关键设计：在设计中，动态目标路径规划采用多层次社会规范约束，确保模拟过程的合理性；同时，结构性遗忘机制基于艾宾浩斯曲线，优化了代理的记忆管理。
🖼️ 关键图片
📊 实验亮点
实验结果表明，MASS在生成整体质量上比基础LLMs提升了6.81%，在洞察力上比强基线提升了17.19%。这些结果表明，MASS在增强LLMs生成研究的创造性和实证基础方面具有显著的效果。
🎯 应用场景
该研究的潜在应用领域包括社会科学研究、教育、政策分析等。通过提升LLMs的创造性和实证基础，MASS可以帮助研究人员生成更具深度和洞察力的学术论文，推动社会科学领域的研究进展。未来，MASS可能在其他学科的研究生成中也发挥重要作用。
📄 摘要（原文）
Deep Research agents powered by Large Language Models (LLMs) have exhibited extraordinary potential in automated paper writing tasks. However, existing systems rely heavily on literature retrieval and synthesis through internet and local knowledge bases, often resulting research in lacking insight and creativity in social science. To address this issue, we propose "Memory-Augmented Social Simulation (MASS)", an innovative paradigm that leverages highly realistic and research-oriented social simulations to enhance the creativity and empirical founding of LLMs-generated research. Specifically, MASS integrates three core components: dynamic goal-path planning with multi-level social norm restraint to guide the simulation, a multi-disciplinary behavior dataset for agent memory cold-start, and a structured forgetting mechanism inspired by the Ebbinghaus curve. Together, these ensure simulation authenticity and provide a robust empirical foundation for generating innovative scholarly papers. Experimental results demonstrate the effectiveness of our method, showing a 6.81\% improvement in generation overall quality over foundation LLMs and 17.19\% gain in Insight over strong baselines.