論文の概要: Leveraging LLM-based agents for social science research: insights from citation network simulations

• arxiv url: http://arxiv.org/abs/2511.03758v1
• Date: Wed, 05 Nov 2025 08:47:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.17152
• Title: Leveraging LLM-based agents for social science research: insights from citation network simulations
• Title（参考訳）: LLMをベースとした社会科学研究エージェントの活用--引用ネットワークシミュレーションからの洞察
• Authors: Jiarui Ji, Runlin Lei, Xuchen Pan, Zhewei Wei, Hao Sun, Yankai Lin, Xu Chen, Yongzheng Yang, Yaliang Li, Bolin Ding, Ji-Rong Wen,
• Abstract要約: CiteAgentフレームワークを導入し、人間-行動シミュレーションに基づく引用ネットワークを生成する。 CiteAgentは、実世界の引用ネットワークにおける主要な現象を捉えている。 社会科学において2つのLCMに基づく研究パラダイムを確立し,既存の理論の検証と挑戦を可能にした。
• 参考スコア（独自算出の注目度）: 132.4334196445918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The emergence of Large Language Models (LLMs) demonstrates their potential to encapsulate the logic and patterns inherent in human behavior simulation by leveraging extensive web data pre-training. However, the boundaries of LLM capabilities in social simulation remain unclear. To further explore the social attributes of LLMs, we introduce the CiteAgent framework, designed to generate citation networks based on human-behavior simulation with LLM-based agents. CiteAgent successfully captures predominant phenomena in real-world citation networks, including power-law distribution, citational distortion, and shrinking diameter. Building on this realistic simulation, we establish two LLM-based research paradigms in social science: LLM-SE (LLM-based Survey Experiment) and LLM-LE (LLM-based Laboratory Experiment). These paradigms facilitate rigorous analyses of citation network phenomena, allowing us to validate and challenge existing theories. Additionally, we extend the research scope of traditional science of science studies through idealized social experiments, with the simulation experiment results providing valuable insights for real-world academic environments. Our work demonstrates the potential of LLMs for advancing science of science research in social science.
• Abstract（参考訳）: LLM(Large Language Models)の出現は、広範囲なWebデータの事前学習を活用することで、人間の行動シミュレーションに固有のロジックやパターンをカプセル化する可能性を示している。 しかし、社会シミュレーションにおけるLLM能力の境界はいまだ不明である。 LLMの社会的特性をさらに探求するために,LLMをベースとしたエージェントを用いた人間行動シミュレーションに基づいて,引用ネットワークを生成するCiteAgentフレームワークを提案する。 CiteAgentは、実世界の励振ネットワークにおける主要な現象を捉え、例えば、電力-法則分布、励振歪み、縮小径などである。 この現実的なシミュレーションに基づいて, LLM-SE (LLM-based Survey Experiment) と LLM-LE (LLM-based Laboratory Experiment) という2つの社会科学研究パラダイムを構築した。 これらのパラダイムは、引用ネットワーク現象の厳密な分析を促進し、既存の理論の検証と挑戦を可能にする。 さらに,従来の科学研究の範囲を,理想的な社会実験を通じて拡張し,シミュレーション実験の結果を実世界の学術環境に有意義な洞察を与える。 本研究は,社会科学における科学研究の進歩に向けたLLMの可能性を示すものである。

関連論文リスト

• LLM Social Simulations Are a Promising Research Method [4.6456873975541635]
  我々は,5つの難題に対処することで,LLM社会シミュレーションの約束を達成できると主張している。 LLMの社会シミュレーションは、すでにパイロット実験や探索研究に利用できると信じている。 研究者は、新しいAIシステムを最大限に活用するために、概念モデルと反復評価の開発を優先すべきである。
  論文  参考訳（メタデータ） (2025-04-03T03:01:26Z)
• ResearchBench: Benchmarking LLMs in Scientific Discovery via Inspiration-Based Task Decomposition [67.26124739345332]
  大規模言語モデル(LLM)は科学的研究を支援する可能性を示しているが、高品質な研究仮説を発見する能力はいまだ検討されていない。 我々は,LLMを科学的発見のサブタスクのほぼ十分セットで評価するための,最初の大規模ベンチマークを紹介する。 学術論文から重要コンポーネント(研究質問、背景調査、インスピレーション、仮説)を抽出する自動フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-03-27T08:09:15Z)
• Can LLM Agents Simulate Multi-Turn Human Behavior? Evidence from Real Online Customer Behavior Data [46.65903742010956]
  本研究では,人間の行動を正確にシミュレートする,最先端のLDMの能力の大規模定量的評価を行った。 230,965件のユーザアクションを含む31,865件のオンラインショッピングセッションから得られた実世界データを用いて,プロンプトベースのLCMが人間の行動生成においてわずか11.86%の精度で達成できることを明らかにする。 また, 実クリックスルーデータに対して, モデルの性能を大幅に向上させる手法として, 実クリックスルーデータに対する微調整 LLM の戦略を提示する。
  論文  参考訳（メタデータ） (2025-03-26T17:33:27Z)
• Simulating Influence Dynamics with LLM Agents [4.055206971178399]
  本稿では、ソーシャルネットワーク内での競合する影響をモデル化するために、意見力学研究者向けに設計されたシミュレータを提案する。 このツールは、確立された意見力学の原理を最先端のLCMと統合することにより、影響伝播と反情報戦略の研究を可能にする。
  論文  参考訳（メタデータ） (2025-03-10T03:05:21Z)
• From ChatGPT to DeepSeek: Can LLMs Simulate Humanity? [32.93460040317926]
  大規模言語モデル(LLM)は、複雑な人間の社会的行動を探究するための有望な方法となっている。 最近の研究では、シミュレートされた相互作用と現実世界の相互作用の相違が強調されている。
  論文  参考訳（メタデータ） (2025-02-25T13:54:47Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• Systematic Biases in LLM Simulations of Debates [12.933509143906141]
  人間の相互作用をシミュレートする際の大規模言語モデルの限界について検討する。 以上の結果から, LLMエージェントがモデル固有の社会的バイアスに適合する傾向が示唆された。 これらの結果は、エージェントがこれらのバイアスを克服するのに役立つ方法を開発するためのさらなる研究の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-02-06T14:51:55Z)

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。