Digital Pantheon: Simulating and Auditing Coalition Formation with LLM Agents
作者: Dylan Van Mulders, Matthias Bogaert, Dirk Van den Poel
分类: cs.CL, cs.AI, cs.MA
发布日期: 2026-07-16
备注: 11 pages, 2 figures, To be published in the Post-Workshop proceedings of the ECML PKDD 2026 Conference
💡 一句话要点
提出多代理框架以模拟和审计政治联盟形成
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 政治联盟 多代理系统 大型语言模型 意识形态一致性 模拟与审计 政策制定 数据驱动决策
📋 核心要点
- 现有的政治联盟形成模型难以处理党派之间的深层意识形态差异，导致模拟结果的可靠性不足。
- 论文提出的框架结合了SFT、DPO和RAG，旨在通过强化党派特性和保持与官方宣言的一致性来改善模拟效果。
- 实验结果显示，该框架在模拟中稳定地预测了赢家，并且基于宣言的谱系能够有效预测现实中的联盟形成。
📝 摘要（中文）
政治联盟的形成是一个复杂的谈判过程，受具体政策目标和深层意识形态信念的驱动。尽管大型语言模型（LLMs）为计算政治科学开辟了新途径，但通过人类反馈的强化学习（RLHF）所灌输的中立性和有用性偏见使其无法维持坚定的党派行为。本文提出了一种多代理框架，通过结合监督微调（SFT）、直接偏好优化（DPO）和检索增强生成（RAG），调和事实基础与意识形态一致性。我们在2019年弗拉芒选举中实施该框架，部署党派代理进行由形式化者仲裁的中心辐射谈判。为使谈判结果可解释，我们引入了多层信息谱系拓扑（MILT），追踪最终协议中的每一条条款，并将其分类为五种来源状态，同时引入了联盟影响评分（CIS），以识别影响协议的党派。通过三次独立模拟，该框架稳定地得出赢家和排名，且基于宣言的谱系可靠地预测了现实中的实现。
🔬 方法详解
问题定义：本文旨在解决政治联盟形成过程中的模拟与审计问题，现有方法无法有效处理党派意识形态的复杂性和多样性，导致模拟结果不够可靠。
核心思路：通过结合监督微调（SFT）、直接偏好优化（DPO）和检索增强生成（RAG），实现党派代理的意识形态一致性与事实基础的结合，从而增强模拟的真实性和可靠性。
技术框架：该框架包括多个模块：首先，使用SFT对代理进行初步训练；其次，DPO用于强化各党派的特定个性；最后，RAG确保每个代理的行为与其官方宣言相一致。整个过程在2019年弗拉芒选举的背景下进行，采用中心辐射的谈判结构。
关键创新：最重要的创新在于引入了多层信息谱系拓扑（MILT）和联盟影响评分（CIS），这使得模拟结果不仅可追溯，还能够量化各党派对最终协议的影响，显著提高了模拟的透明度和可解释性。
关键设计：在设计中，DPO的参数设置确保了党派个性的强化，RAG的检索机制则保证了信息的准确性和一致性。此外，MILT的构建允许对每一条协议条款进行来源追踪，分类为五种状态，增强了结果的可解释性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该框架在三次独立模拟中稳定地识别出赢家（N-VA领先于CD&V和Open Vld），并且基于宣言的谱系能够可靠地预测现实中的联盟形成，而虚构内容则未能实现相同的效果。这一发现强调了框架在政治模拟中的有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括政治科学、社会网络分析和政策制定等。通过提供一个透明且可扩展的测试平台，研究者和政策制定者可以在此基础上探索不同党派之间的兼容性，评估潜在的妥协方案，从而为实际的政治谈判提供数据支持和理论指导。
📄 摘要（原文）
The formation of political coalitions is a complex negotiation driven by both concrete policy objectives and deep-seated ideological convictions. While Large Language Models (LLMs) open new avenues for computational political science, the neutrality and helpfulness biases instilled by Reinforcement Learning from Human Feedback (RLHF) prevent them from sustaining steadfast partisan behaviour. We present a multi-agent framework that reconciles factual grounding with ideological alignment by combining Supervised Fine-Tuning (SFT), Direct Preference Optimization (DPO), and Retrieval-Augmented Generation (RAG): DPO instils aggressive party-specific personas, while a per-party RAG pipeline keeps each agent bounded to its official manifesto. We operationalize the framework on the 2019 Flemish election, deploying the partisan agents in a hub-and-spoke negotiation arbitrated by a formateur. To make the emergent negotiation interpretable, we introduce a Multi-Layered Information Lineage Topology (MILT) that traces every clause in the final agreement back to its manifesto origin and classifies it into five provenance states, a Coalition Influence Score (CIS) that aggregates these traceable contributions to identify which party shaped the agreement, and a real-world grounding pass that benchmarks each simulated provision against the historically adopted coalition agreement. Across three independent simulations the framework yields a stable winner and ranking (N-VA ahead of CD\&V and Open Vld), and manifesto-anchored lineage reliably predicts real-world materialization whereas hallucinated content does not. The result is a transparent, scalable testbed for the ex-ante exploration of party compatibility and formateur-mediated compromise.