From Individual to Society: A Survey on Social Simulation Driven by Large Language Model-based Agents

📄 arXiv: 2412.03563v1 📥 PDF

作者: Xinyi Mou, Xuanwen Ding, Qi He, Liang Wang, Jingcong Liang, Xinnong Zhang, Libo Sun, Jiayu Lin, Jie Zhou, Xuanjing Huang, Zhongyu Wei

分类: cs.CL, cs.CY

发布日期: 2024-12-04

🔗 代码/项目: GITHUB

💡 一句话要点

利用大语言模型驱动的智能体进行社会模拟研究综述，涵盖个体、场景和社会三个层面。

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

关键词: 社会模拟 大语言模型 智能体 个体模拟 场景模拟 社会互动 行为建模

📋 核心要点

  1. 传统社会学研究依赖人工，存在成本高、可扩展性差和伦理风险等问题，亟需新的研究范式。
  2. 论文提出利用大语言模型（LLM）驱动的智能体进行社会模拟，模拟个体行为和社会互动，降低成本并提高效率。
  3. 论文对基于LLM的社会模拟进行了全面综述，并将其分为个体、场景和社会三个层次，分析了各自的架构、目标和评估方法。

📝 摘要（中文）

传统社会学研究通常依赖于人工参与，虽然有效，但成本高昂、难以扩展，并且存在伦理问题。 近期大语言模型（LLM）的进步凸显了其模拟人类行为的潜力，能够复制个体反应并促进许多跨学科研究。 本文对该领域进行了全面的综述，阐述了由 LLM 驱动的智能体所推动的模拟的最新进展。 我们将模拟分为三种类型：（1）个体模拟，模拟特定个体或人口群体；（2）场景模拟，多个智能体在特定环境中协作以实现目标；（3）社会模拟，模拟智能体社会中的互动，以反映现实世界动态的复杂性和多样性。 这些模拟遵循从详细的个体建模到大规模社会现象的演进过程。 我们详细讨论了每种模拟类型，包括模拟的架构或关键组件、目标或场景的分类以及评估方法。 此外，我们总结了常用的数据集和基准。 最后，我们讨论了这三种模拟类型的趋势。 相关资源的存储库位于 {\url{https://github.com/FudanDISC/SocialAgent}}。

🔬 方法详解

问题定义：传统社会学研究依赖于人工参与，这导致了高昂的成本、难以扩展以及潜在的伦理问题。现有的社会模拟方法往往难以捕捉人类行为的复杂性和多样性，缺乏真实感和泛化能力。因此，如何利用新兴技术，构建更高效、更真实的社会模拟系统，成为一个重要的研究问题。

核心思路：论文的核心思路是利用大语言模型（LLM）强大的语言理解和生成能力，构建能够模拟人类行为的智能体。这些智能体可以模拟个体行为、在特定场景下进行协作，以及在社会层面进行互动。通过这种方式，可以构建一个更加真实、高效的社会模拟系统，从而为社会学研究提供新的工具和方法。

技术框架：论文将基于LLM的社会模拟分为三个层次：个体模拟、场景模拟和社会模拟。个体模拟关注于模拟个体的行为和特征；场景模拟关注于多个智能体在特定场景下的互动和协作；社会模拟则关注于整个社会层面的互动和动态。对于每个层次的模拟，论文都详细讨论了其架构、关键组件、目标分类和评估方法。整体流程是从微观到宏观，逐步构建一个完整的社会模拟系统。

关键创新：论文的关键创新在于将大语言模型（LLM）引入到社会模拟领域，并提出了一个系统的基于LLM的社会模拟框架。与传统的基于规则或统计模型的社会模拟方法相比，基于LLM的社会模拟能够更好地捕捉人类行为的复杂性和多样性，从而提高模拟的真实性和泛化能力。

关键设计：论文中没有具体涉及关键的参数设置、损失函数、网络结构等技术细节，而是侧重于对现有研究的综述和分类。未来的研究可以关注如何针对不同的社会模拟任务，设计更有效的LLM架构和训练方法，以及如何评估模拟结果的真实性和可靠性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该论文是对基于大语言模型（LLM）的社会模拟领域的一次全面综述，系统地梳理了该领域的研究进展，并将其分为个体、场景和社会三个层次。论文总结了常用的数据集和基准，并讨论了该领域的发展趋势。该综述为研究人员提供了一个清晰的路线图，有助于他们更好地了解该领域的研究现状和未来方向。

🎯 应用场景

该研究具有广泛的应用前景，例如在公共政策制定、市场营销、舆情分析、危机管理等领域。通过构建基于LLM的社会模拟系统，可以预测政策的影响、评估市场策略的效果、分析舆情的变化趋势，从而为决策者提供更科学的依据。此外，该研究还可以用于教育和培训领域，例如模拟不同的社会情境，帮助人们提高社会交往能力和解决问题的能力。

📄 摘要（原文）

Traditional sociological research often relies on human participation, which, though effective, is expensive, challenging to scale, and with ethical concerns. Recent advancements in large language models (LLMs) highlight their potential to simulate human behavior, enabling the replication of individual responses and facilitating studies on many interdisciplinary studies. In this paper, we conduct a comprehensive survey of this field, illustrating the recent progress in simulation driven by LLM-empowered agents. We categorize the simulations into three types: (1) Individual Simulation, which mimics specific individuals or demographic groups; (2) Scenario Simulation, where multiple agents collaborate to achieve goals within specific contexts; and (3) Society Simulation, which models interactions within agent societies to reflect the complexity and variety of real-world dynamics. These simulations follow a progression, ranging from detailed individual modeling to large-scale societal phenomena. We provide a detailed discussion of each simulation type, including the architecture or key components of the simulation, the classification of objectives or scenarios and the evaluation method. Afterward, we summarize commonly used datasets and benchmarks. Finally, we discuss the trends across these three types of simulation. A repository for the related sources is at {\url{https://github.com/FudanDISC/SocialAgent}}.