論文の概要: Learning to Make Friends: Coaching LLM Agents toward Emergent Social Ties

• arxiv url: http://arxiv.org/abs/2510.19299v1
• Date: Wed, 22 Oct 2025 07:00:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.229656
• Title: Learning to Make Friends: Coaching LLM Agents toward Emergent Social Ties
• Title（参考訳）: 友人を作るための学習: LLMエージェントを創発的ソーシャルティーに指導する
• Authors: Philipp J. Schneider, Lin Tian, Marian-Andrei Rizoiu,
• Abstract要約: 大規模言語モデル(LLM)エージェントは、人間のオンライン行動を特徴づける複雑な社会的ダイナミクスを再現する。 エージェントが繰り返し対話し、相互に評価し、文脈内学習を通じてそれらの振る舞いを適応するマルチエージェントLLMシミュレーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.1146704506932985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can large language model (LLM) agents reproduce the complex social dynamics that characterize human online behavior -- shaped by homophily, reciprocity, and social validation -- and what memory and learning mechanisms enable such dynamics to emerge? We present a multi-agent LLM simulation framework in which agents repeatedly interact, evaluate one another, and adapt their behavior through in-context learning accelerated by a coaching signal. To model human social behavior, we design behavioral reward functions that capture core drivers of online engagement, including social interaction, information seeking, self-presentation, coordination, and emotional support. These rewards align agent objectives with empirically observed user motivations, enabling the study of how network structures and group formations emerge from individual decision-making. Our experiments show that coached LLM agents develop stable interaction patterns and form emergent social ties, yielding network structures that mirror properties of real online communities. By combining behavioral rewards with in-context adaptation, our framework establishes a principled testbed for investigating collective dynamics in LLM populations and reveals how artificial agents may approximate or diverge from human-like social behavior.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、ホモフィリ、相互性、社会的妥当性によって形成された、人間のオンライン行動を特徴付ける複雑な社会的ダイナミクスを再現できるだろうか? エージェントが繰り返し対話し、互いに評価し、コーチング信号によって加速されるコンテキスト内学習を通じてそれらの振る舞いを適応するマルチエージェントLLMシミュレーションフレームワークを提案する。 人間の社会的振る舞いをモデル化するために、ソーシャルインタラクション、情報探索、自己表現、コーディネーション、感情的サポートを含む、オンラインエンゲージメントのコアドライバをキャプチャする行動報酬関数を設計する。 これらの報酬は、エージェント目標と経験的に観察されたユーザのモチベーションを一致させ、個々の意思決定からネットワーク構造やグループ形成がどのように現れるかを研究する。 実験の結果、LLMエージェントは安定した相互作用パターンを発達させ、創発的な社会関係を形成し、実際のオンラインコミュニティの性質を反映するネットワーク構造が得られることがわかった。 行動報酬と文脈内適応を組み合わせることで, LLM集団の集団動態を調査するための基本的テストベッドを構築し, 人工エージェントが人間のような社会的行動からどのように近似するかを明らかにする。

関連論文リスト

• DynamiX: Large-Scale Dynamic Social Network Simulator [101.65679342680542]
  DynamiXは、動的ソーシャルネットワークモデリングに特化した新しい大規模ソーシャルネットワークシミュレータである。 世論のリーダーに対しては、情報ストリームに基づくリンク予測手法を提案し、同様の姿勢で潜在的ユーザを推薦する。 一般ユーザに対しては,不等式指向の行動決定モジュールを構築する。
  論文  参考訳（メタデータ） (2025-07-26T12:13:30Z)
• TwinMarket: A Scalable Behavioral and Social Simulation for Financial Markets [41.858410843530244]
  大規模言語モデル(LLM)エージェントは人間の振る舞いをモデル化するためのシミュレーションツールとして注目を集めている。 社会経済システムのシミュレートにLLMを活用する新しいマルチエージェントフレームワークであるTwinMarketを紹介した。 我々のアプローチは、個人の意思決定と集団社会経済パターンの間の複雑な相互作用に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-02-03T16:39:48Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。 データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。 厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)
• Network Formation and Dynamics Among Multi-LLMs [5.513875403488053]
  ソーシャルネットワークは、人間が意見を作り、情報を交換し、まとめる方法に大きな影響を与える。 大規模言語モデル(LLM)は、社会的および専門的な環境にますます組み込まれているため、それらの相互作用が人間に似たネットワーク力学に近似するかどうかを理解することが重要である。 我々は,複数のLLMエージェントのネットワーク形成挙動を解析し,人的決定に対してそれらをベンチマークする枠組みを開発した。 LLMは、コミュニティ構造や小世界効果を含むマクロレベルの特性だけでなく、優先的なアタッチメント、三進的クロージャ、ホモフィリーといった基本的ミクロレベルの原則を一貫して再現している。
  論文  参考訳（メタデータ） (2024-02-16T13:10:14Z)
• 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)

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。