論文の概要: Large Language Models can Achieve Social Balance

• arxiv url: http://arxiv.org/abs/2410.04054v2
• Date: Sat, 15 Mar 2025 01:10:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:33:24.041029
• Title: Large Language Models can Achieve Social Balance
• Title（参考訳）: 大規模言語モデルは社会的バランスを達成できる
• Authors: Pedro Cisneros-Velarde,
• Abstract要約: 社会的バランスは、集団が肯定的な相互作用の1つの派閥になるか、あるいは2つ以上の対立的な派閥に分けられるかを規定する。 我々は,大規模言語モデル群(LLM)を考察し,連続的な相互作用の後,どのように社会的バランスを達成できるかを考察する。 社会的バランスの達成は (i) 相互作用の種類, (ii) エージェントが仲間からホモフィリーか影響か, (iii) 人口規模に依存していることがわかった。
• 参考スコア（独自算出の注目度）: 2.8282906214258805
• License:
• Abstract: Social balance is a well-established concept in sociology which dictates how individual interactions can lead a population to become one faction of positive interactions or be divided in two or more antagonistic factions. In this paper, we consider a group of large language models (LLMs) and study how, after continuous interactions, they can achieve social balance. Across three different LLM models, we find that achieving social balance depends on (i) the type of interaction; (ii) whether agents consider homophily or influence from their peers; and (iii) the population size. We characterize how each model achieves social balance with different frequency, diversity of positive or negative interactions, and interaction stability across conditions (i) to (iii). We show that models achieve different notions of social balance and justify their social dynamics differently. Remarkably, the largest model is not necessarily more likely to achieve social balance with more frequency, stability, and diversity than the smaller ones.
• Abstract（参考訳）: 社会的バランスは社会学において確立された概念であり、個人の相互作用によって集団が肯定的な相互作用の1つの派閥になるか、2つ以上の対立的な派閥に分けられるかを規定する。 本稿では,大規模言語モデル群(LLM)について考察し,連続的な相互作用の後,どのように社会的バランスを達成できるかを考察する。 3つの異なるLLMモデルにおいて、社会的バランスを達成することは、それに依存する。 i) 相互作用の種類 二 代理人が同情的又はその仲間の影響を考慮しているか、及び (3)人口規模。 我々は、それぞれのモデルが、異なる頻度で社会的バランス、正または負の相互作用の多様性、条件間の相互作用の安定性をいかに達成するかを特徴付ける。 (i)→(i) (三) モデルが社会的バランスの異なる概念を達成し、それらの社会的ダイナミクスを異なる方法で正当化することを示します。 注目すべきは、最大のモデルが必ずしも、より小さなモデルよりも頻度、安定性、多様性で社会的バランスを達成できるとは限らないことである。

関連論文リスト

• Emergence of human-like polarization among large language model agents [61.622596148368906]
  我々は、何千もの大規模言語モデルエージェントを含むネットワーク化されたシステムをシミュレートし、それらの社会的相互作用を発見し、人間のような偏極をもたらす。 人間とLLMエージェントの類似性は、社会的分極を増幅する能力に関する懸念を提起するだけでなく、それを緩和するための有効な戦略を特定するための貴重なテストベッドとして機能する可能性も持っている。
  論文  参考訳（メタデータ） (2025-01-09T11:45:05Z)
• The Dynamics of Social Conventions in LLM populations: Spontaneous Emergence, Collective Biases and Tipping Points [0.0]
  シミュレーション対話を用いたLarge Language Model (LLM) エージェントの集団内におけるコンベンションのダイナミクスについて検討する。 グローバルに受け入れられる社会慣行は,LLM間の局所的な相互作用から自然に生じうることを示す。 献身的なLLMのマイノリティグループは、新しい社会慣習を確立することで社会変革を促進することができる。
  論文  参考訳（メタデータ） (2024-10-11T16:16:38Z)
• SocialGaze: Improving the Integration of Human Social Norms in Large Language Models [28.88929472131529]
  社会的受容を判断する作業を紹介する。 社会的受容は、社会的状況における人々の行動の受容性を判断し、合理化するモデルを必要とする。 大規模言語モデルによる社会的受容に対する理解は、しばしば人間の合意と不一致である。
  論文  参考訳（メタデータ） (2024-10-11T10:35:58Z)
• Breaking Bias, Building Bridges: Evaluation and Mitigation of Social Biases in LLMs via Contact Hypothesis [23.329280888159744]
  大規模言語モデル(LLM)は、訓練データに偏見を反映し、社会的ステレオタイプや不平等を補強する社会バイアスを持続させる。 本稿では,これらのモデルにプロンプトに対する非バイアス応答を付与する独自のデバイアス処理手法であるSocial Contact Debiasing(SCD)を提案する。 我々の研究は、LLM応答が接触探究の際の社会的バイアスを示すことを示したが、より重要なことは、これらのバイアスは、SCD戦略に従ってLLaMA 2を指導する1つの時代において、最大40%減少させることができることである。
  論文  参考訳（メタデータ） (2024-07-02T07:58:46Z)
• SocialBench: Sociality Evaluation of Role-Playing Conversational Agents [85.6641890712617]
  大規模言語モデル(LLM)は、様々なAI対話エージェントの開発を進めてきた。 SocialBenchは、ロールプレイングの会話エージェントの社会的性を個人レベルとグループレベルで評価するために設計された最初のベンチマークである。 個人レベルで優れたエージェントは,集団レベルでの熟練度を示唆しない。
  論文  参考訳（メタデータ） (2024-03-20T15:38:36Z)
• Do LLM Agents Exhibit Social Behavior? [5.094340963261968]
  State-Understanding-Value-Action (SUVA) は、社会的文脈における応答を体系的に分析するフレームワークである。 最終決定とそれにつながる反応生成プロセスの両方を通じて社会的行動を評価する。 発話に基づく推論がLLMの最終動作を確実に予測できることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T08:46:53Z)
• SOTOPIA: Interactive Evaluation for Social Intelligence in Language Agents [107.4138224020773]
  人工エージェントと人間との複雑な社会的相互作用をシミュレートするオープンエンド環境であるSOTOPIAを提案する。 エージェントは、複雑な社会的目標を達成するために協調し、協力し、交換し、互いに競い合う。 GPT-4は,人間よりも目標達成率が著しく低く,社会的常識的推論や戦略的コミュニケーション能力の発揮に苦慮していることがわかった。
  論文  参考訳（メタデータ） (2023-10-18T02:27:01Z)
• Training Socially Aligned Language Models on Simulated Social Interactions [99.39979111807388]
  AIシステムにおける社会的アライメントは、確立された社会的価値に応じてこれらのモデルが振舞うことを保証することを目的としている。 現在の言語モデル(LM)は、トレーニングコーパスを独立して厳格に複製するように訓練されている。 本研究は,シミュレートされた社会的相互作用からLMを学習することのできる,新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-26T14:17:36Z)
• Flexible social inference facilitates targeted social learning when rewards are not observable [58.762004496858836]
  グループは、個人が他人の成功から学べるときにより効果的にコーディネートする。 社会的推論能力は、このギャップを埋める助けとなり、個人が他人の基本的な知識に対する信念を更新し、観察可能な行動軌跡から成功することを示唆する。
  論文  参考訳（メタデータ） (2022-12-01T21:04:03Z)
• SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction [59.064925464991056]
  ソーシャルソフトアテンショングラフ畳み込みネットワーク(SSAGCN)という新しい予測モデルを提案する。 SSAGCNは、歩行者間の社会的相互作用と歩行者と環境間のシーンインタラクションを同時に扱うことを目的としている。 公開データセットの実験は、SAGCNの有効性を証明し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-12-05T01:49:18Z)
• Interactions in information spread: quantification and interpretation using stochastic block models [3.5450828190071655]
  ソーシャルネットワークでは、ユーザーの行動は、対話する人々、フィード内のニュース、トレンドトピックから生じる。 本稿では、エンティティ間のインタラクションの役割を調査する新しいモデル、Interactive Mixed Membership Block Model (IMMSBM)を提案する。 推論タスクでは、それらを考慮すれば、結果の確率の最大150%の非相互作用モデルに対する平均的な相対的な変化につながる。
  論文  参考訳（メタデータ） (2020-04-09T14:22:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。