Lin и др. — Towards Simulating Social Influence Dynamics with LLM-based Multi-agents

8 окт. 2026 г. · время чтения ~4 мин.

DOI: 10.48550/arxiv.2507.22467 · Цитируется: 0 (OpenAlex, на 26 окт. 2026 г.)

Вид: paper

Главный вопрос: воспроизводят ли LLM-агенты в симуляции форума человеческие социальные эффекты (конформизм, поляризацию, фрагментацию) и как на них влияют размер модели и способность рассуждать?

Ответ одной фразой: Авторы сообщают, что в симулированном форуме LLM-агенты воспроизводят умеренный конформизм, поляризацию и устойчивое несогласие, а рассуждающие модели группы D (GPT-o1-mini, Deepseek-R1, QwQ-32B) заметно реже подстраиваются под большинство.

Частные вопросы:

В1. Воспроизводят ли агенты социальные эффекты форума? → Т1
В2. Что меняют размер модели и способность рассуждать? → Т2, Т3, Т4, Т5

Тезисы

Т1. Авторы заявляют, что мультиагентная симуляция форума на LLM воспроизводит умеренный конформизм, поляризацию и устойчивое несогласие

Аргумент: пять агентов с заданными персонами обмениваются сообщениями в пять раундов по кругу, каждый видит все предыдущие посты; авторы измеряют долю смен позиции в сторону большинства, изменение поляризации и индекс фрагментации.
Цитата: «Our experimental results demonstrate that LLM-based multi-agent simulations can reproduce social phenomena— moderate conformity, group polarization, and persistent dissent.» (раздел «Experiment and Discussion»)
Данные: 25 независимых повторов каждой настройки (пять раундов), реализация на Microsoft AutoGen; четыре группы моделей (A: до 8B на одном GPU; B: 70–72B; C: GPT-4o, Claude 3.5 Haiku, Gemini Flash 2.0; D: GPT-o1-mini, Deepseek-R1, QwQ-32B). Тема: например, нужны ли жёсткие экологические меры.
Понятия: Конформизм, Поляризация группы

Т2. Рассуждающие модели группы D (GPT-o1-mini, Deepseek-R1, QwQ-32B) подстраиваются под большинство заметно реже

Аргумент: авторы сравнивают долю смен позиции в сторону большинства по четырём группам; для группы D доля ниже. Причину они называют осторожно: «возможно, из-за более последовательных внутренних процессов рассуждения».
Цитата: «By contrast, reasoningoriented models in Group D showed considerably lower CRs, with ChatGPT-o1-mini at just 3.13%, suggesting a more substantial capacity to retain initial viewpoints under social pressure, possibly due to more consistent internal reasoning processes.» (раздел «Experiment and Discussion»)
Данные: CR (conformity rate) у большинства моделей в группах A, B и C лежит в диапазоне 10–20%; ChatGPT-4o 19,45%; GPT-o1-mini 3,13%. Данные по рис. 2, 25 повторов.
Понятия: Конформизм

Т3. По выводу авторов, ёмкость модели влияет на склонность к конформизму, но больший размер не обязательно делает агента более или менее подверженным: размер сложно взаимодействует с повторными раундами согласования

Аргумент: авторы пишут, что ёмкость модели влияет на склонность соглашаться, но связь с размером сложная и взаимодействует с повторяющимися раундами согласования.
Цитата: «The model capacity shapes an agent’s tendency to conform. However, larger size does not necessarily translate into either stronger or weaker susceptibility—rather, it interacts in complex ways with repeated rounds of consensus-building.» (раздел «Conclusion»)
Данные: ChatGPT-4o имеет самый высокий CR (19,45%), и авторы пишут, что это, возможно, значит, что крупные генеративные модели чаще склонны к согласию с большинством («may be more prone»).
Понятия: Конформизм

Т4. В группе D часть агентов стабильно остаётся на позиции «сильно против»; по выводу авторов, рассуждающие модели могут удерживать несогласие, даже когда обсуждение в целом идёт в поддерживающую сторону

Аргумент: авторы смотрят, как распределяются позиции агентов по раундам; в группе D остаются агенты со «сильно против», в части моделей заметен разрыв между «сильно за» и «сильно против».
Цитата: «Finally, Group D consistently features a subset of agents in the “strongly oppose” category, suggesting that reasoning‐focused models (or large reasoning models) can hold firm adversarial stances even when the broader conversation trends are supportive.» (раздел «Experiment and Discussion»)
Данные: группа D (GPT-o1-mini, Deepseek-R1, QwQ-32B), рис. 3; у группы C наименьшее изменение поляризации ΔP.
Понятия: Фрагментация группы

Т5. Авторы предполагают, что рассуждающие модели лучше подходят там, где нужна устойчивая позиция или разнообразие мнений

Аргумент: исходя из устойчивости и фрагментации группы D, авторы допускают выбор типа модели под цель симуляции: простые генеративные модели для дрейфа к консенсусу, рассуждающие — для сохранения несогласия.
Цитата: «The relative stability and fragmentation observed in Group D (LRMs) suggest that models emphasizing logical consistency and structured reasoning may be better suited for applications requiring stance durability or viewpoint heterogeneity, such as deliberative AI agents or argumentation-based systems.» (раздел «Experiment and Discussion»)
Понятия: Фрагментация группы

Кейсы

К1. Агент-персона «Role A»

Каждая персона задаётся структурированным промптом: демография, стиль общения и фиксированная позиция по теме. Например, Role A подан как идеалистичный и восприимчивый человек, который последовательно поддерживает предложение, пока не прозвучат сильные контраргументы. Это нужно, чтобы базовая позиция персоны была одинаковой у разных моделей. Подкрепляет Т1.

Понятия

Конформизм → Lin и др.: смена позиции агента в сторону господствующей в группе (Т1, Т2, Т3)
Поляризация группы → Lin и др.: сдвиг стартово умеренных позиций к более крайним по ходу взаимодействия (Т1)
Фрагментация группы → Lin и др.: раскол на два кластера с противоположными позициями вместо консенсуса (Т4, Т5)

Оригинал