論文の概要: What Makes LLM Agent Simulations Useful for Policy? Insights From an Iterative Design Engagement in Emergency Preparedness

• arxiv url: http://arxiv.org/abs/2509.21868v1
• Date: Fri, 26 Sep 2025 04:51:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.186563
• Title: What Makes LLM Agent Simulations Useful for Policy? Insights From an Iterative Design Engagement in Emergency Preparedness
• Title（参考訳）: LLMエージェントシミュレーションが政策に便利な理由 : 緊急準備における反復設計の展開から
• Authors: Yuxuan Li, Sauvik Das, Hirokazu Shirado,
• Abstract要約: 社会シミュレーションにLarge Language Modelsをエージェント(LLMエージェント)として使うことへの関心が高まっているが、実際の採用は限られている。 LLMエージェントのシミュレーションは、政策にどのように役立つのか? 我々は,様々な緊急シナリオ下での大規模な集まりにおいて,群衆の動きとコミュニケーションをシミュレートする13,000個のLDMエージェントを反復的に開発した。
• 参考スコア（独自算出の注目度）: 19.98298738980743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There is growing interest in using Large Language Models as agents (LLM agents) for social simulations to inform policy, yet real-world adoption remains limited. This paper addresses the question: How can LLM agent simulations be made genuinely useful for policy? We report on a year-long iterative design engagement with a university emergency preparedness team. Across multiple design iterations, we iteratively developed a system of 13,000 LLM agents that simulate crowd movement and communication during a large-scale gathering under various emergency scenarios. These simulations informed actual policy implementation, shaping volunteer training, evacuation protocols, and infrastructure planning. Analyzing this process, we identify three design implications: start with verifiable scenarios and build trust gradually, use preliminary simulations to elicit tacit knowledge, and treat simulation and policy development as evolving together. These implications highlight actionable pathways to making LLM agent simulations that are genuinely useful for policy.
• Abstract（参考訳）: 社会シミュレーションにLarge Language Modelsをエージェント(LLMエージェント)として使うことへの関心が高まっているが、実際の採用は限られている。 LLMエージェントのシミュレーションは、政策にどのように役立つのか? 大学緊急準備チームとの1年間の反復的デザインの取り組みについて報告する。 複数の設計イテレーションを通じて,様々な緊急シナリオ下での大規模な集まりにおいて,群衆の動きとコミュニケーションをシミュレートする13,000 LLMエージェントのシステムを反復的に開発した。 これらのシミュレーションは、実際の政策実施、ボランティアトレーニングの編成、避難プロトコル、インフラ計画などを知らせる。 このプロセスを分析し、検証可能なシナリオから始めて徐々に信頼を構築すること、暗黙の知識を引き出すために予備的なシミュレーションを使用すること、シミュレーションと政策開発を一緒に進化させるものとして扱うこと、の3つの設計上の意味を特定します。 これらの意味は、ポリシーに本当に役立つLLMエージェントシミュレーションを作るための実行可能な経路を浮き彫りにする。

関連論文リスト

• In-Context Autonomous Network Incident Response: An End-to-End Large Language Model Agent Approach [3.733830491643117]
  我々は,大規模言語モデルの事前訓練されたセキュリティ知識とコンテキスト内学習を活用して,インシデント対応計画のためのエンドツーエンドのエージェントソリューションを作成することを提案する。 具体的には、認識、推論、計画、行動の4つの機能を1つの軽量LCM(14bモデル)に統合する。 我々のエージェントは、フロンティアLSMよりも最大で23%早く回復できる。
  論文  参考訳（メタデータ） (2026-02-13T18:09:30Z)
• Large Language Model Agent for User-friendly Chemical Process Simulations [0.0]
  大規模言語モデル (LLM) エージェントは AVEVA Process Model Protocol (MCP) と統合され、自然言語のシミュレーションを可能にする。 2つのケーススタディは、異なるタスクの複雑さと相互作用モードにわたるフレームワークを評価する。 このフレームワークは、技術的な概念の翻訳と実証によって教育目的と、データ抽出の自動化、ルーチンタスクの高速化、サポートによって経験豊富な実践者の両方に役立ちます。 オーバーシンプル化、計算エラー、技術的ヒックアップといった現在の制限は専門家の監視を必要とするが、このフレームワークはLSMベースのエージェントが貴重な協力者になれることを示唆している。
  論文  参考訳（メタデータ） (2026-01-15T12:18:45Z)
• Policy-Conditioned Policies for Multi-Agent Task Solving [53.67744322553693]
  本研究では,ポリシーを人間の解釈可能なソースコードとして表現することでギャップを埋めるパラダイムシフトを提案する。 本研究では,Large Language Models (LLM) を近似インタプリタとして利用することにより,学習問題を再構築する。 我々はこのプロセスを,ポリシーコードをテキスト勾配で最適化するアルゴリズムである TextitProgrammatic Iterated Best Response (PIBR) として定式化する。
  論文  参考訳（メタデータ） (2025-12-24T07:42:10Z)
• AgentSUMO: An Agentic Framework for Interactive Simulation Scenario Generation in SUMO via Large Language Models [4.892076282924386]
  本研究では,大規模言語モデルを用いた対話型シミュレーションシナリオ生成のためのエージェントフレームワークを提案する。 AgentSUMOは、ユーザの意図を解釈し、タスクの複雑さを評価し、パラメータを推測し、実行可能なシミュレーション計画を定式化する適応推論層を導入することで、命令駆動実行から離脱する。 ソウルとマンハッタンの都市ネットワークの実験では、エージェントワークフローは、非専門家のアクセシビリティを維持しながら、トラフィックフローのメトリクスを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-11-10T07:46:12Z)
• Searching for Privacy Risks in LLM Agents via Simulation [61.229785851581504]
  本稿では,プライバシクリティカルなエージェントインタラクションのシミュレーションを通じて,攻撃と防御戦略の改善を交互に行う検索ベースのフレームワークを提案する。 攻撃戦略は、直接の要求から、不正行為や同意偽造といった高度な戦術へとエスカレートする。 発見された攻撃と防御は、さまざまなシナリオやバックボーンモデルにまたがって伝達され、プライバシーに配慮したエージェントを構築するための強力な実用性を示している。
  論文  参考訳（メタデータ） (2025-08-14T17:49:09Z)
• YuLan-OneSim: Towards the Next Generation of Social Simulator with Large Language Models [50.35333054932747]
  本稿では,YuLan-OneSimというソーシャルシミュレータを紹介する。 ユーザは、シミュレータとの自然言語インタラクションを通じて、シミュレーションシナリオを記述し、洗練することができます。 我々は、経済学、社会学、政治、心理学、組織、人口統計学、法律、コミュニケーションを含む8つの領域にまたがる50のデフォルトシミュレーションシナリオを実装した。
  論文  参考訳（メタデータ） (2025-05-12T14:05:17Z)
• GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
  我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。 我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。 我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
  論文  参考訳（メタデータ） (2024-10-06T05:02:23Z)
• Cooperate or Collapse: Emergence of Sustainable Cooperation in a Society of LLM Agents [101.17919953243107]
  GovSimは、大規模言語モデル(LLM)における戦略的相互作用と協調的意思決定を研究するために設計された生成シミュレーションプラットフォームである。 最強のLSMエージェントを除く全てのエージェントは、GovSimの持続的均衡を達成することができず、生存率は54%以下である。 道徳的思考の理論である「大学化」に基づく推論を活用するエージェントは、持続可能性を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-04-25T15:59:16Z)
• Agent-Pro: Learning to Evolve via Policy-Level Reflection and Optimization [53.510942601223626]
  大規模言語モデル(LLM)は多様なタスクに対して堅牢な問題解決能力を示す。 これらのタスクソルバは、タスクルールを通知し、行動を調整するために手作業によるプロンプトを必要とする。 本稿では,ポリシーレベルのリフレクションと最適化を備えた LLM ベースのエージェントである Agent-Pro を提案する。
  論文  参考訳（メタデータ） (2024-02-27T15:09:20Z)
• Towards Data-Driven Offline Simulations for Online Reinforcement Learning [30.654163861164864]
  強化学習のためのオフライン学習者シミュレーション(OLS)を形式化する。 シミュレーションの忠実度と効率を両立させる新しい評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-11-14T18:36:13Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)

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。