論文の概要: Benevolent Dictators? On LLM Agent Behavior in Dictator Games

• arxiv url: http://arxiv.org/abs/2511.08721v1
• Date: Thu, 13 Nov 2025 01:03:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.210115
• Title: Benevolent Dictators? On LLM Agent Behavior in Dictator Games
• Title（参考訳）: 有利なディクタ : ディクタゲームにおけるLLMエージェントの挙動について
• Authors: Andreas Einwiller, Kanishka Ghosh Dastidar, Artur Romazanov, Annette Hautli-Janisz, Michael Granitzer, Florian Lemmerich,
• Abstract要約: 行動科学では、フェアネスや自己関心の嗜好を評価するために、最後通しゲームのような実験が行われる。 LLMエージェント行動研究(LLM-ABS)フレームワークを提案する。 その結果、エージェントはフェアネスを強く好み、システムのプロンプトが行動に大きく影響していることが判明した。
• 参考スコア（独自算出の注目度）: 2.6514130238294027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In behavioral sciences, experiments such as the ultimatum game are conducted to assess preferences for fairness or self-interest of study participants. In the dictator game, a simplified version of the ultimatum game where only one of two players makes a single decision, the dictator unilaterally decides how to split a fixed sum of money between themselves and the other player. Although recent studies have explored behavioral patterns of AI agents based on Large Language Models (LLMs) instructed to adopt different personas, we question the robustness of these results. In particular, many of these studies overlook the role of the system prompt - the underlying instructions that shape the model's behavior - and do not account for how sensitive results can be to slight changes in prompts. However, a robust baseline is essential when studying highly complex behavioral aspects of LLMs. To overcome previous limitations, we propose the LLM agent behavior study (LLM-ABS) framework to (i) explore how different system prompts influence model behavior, (ii) get more reliable insights into agent preferences by using neutral prompt variations, and (iii) analyze linguistic features in responses to open-ended instructions by LLM agents to better understand the reasoning behind their behavior. We found that agents often exhibit a strong preference for fairness, as well as a significant impact of the system prompt on their behavior. From a linguistic perspective, we identify that models express their responses differently. Although prompt sensitivity remains a persistent challenge, our proposed framework demonstrates a robust foundation for LLM agent behavior studies. Our code artifacts are available at https://github.com/andreaseinwiller/LLM-ABS.
• Abstract（参考訳）: 行動科学では, 参加者の公正さや自己関心の嗜好を評価するために, 最後通しゲームなどの実験を行う。 独裁者ゲームにおいて、2人のプレイヤーのうち1人だけが1つの決定を下す最後通しゲームの簡易版において、独裁者が1つの固定金額を自分と他のプレイヤーの間で分割する方法を一方的に決定する。 近年,Large Language Models (LLM) に基づくAIエージェントの行動パターンの解明が試みられているが,これらの結果の堅牢性に疑問が呈されている。 特に、これらの研究の多くは、システムのプロンプト(モデルの振る舞いを形作る基礎的な指示)の役割を軽視し、プロンプトのわずかな変化にどれほど敏感な結果をもたらすかを説明していない。 しかし、LSMの高度に複雑な挙動を研究する際には、ロバストなベースラインが不可欠である。 従来の制限を克服するため,LLM-ABSフレームワークを提案する。 (i)異なるシステムがモデル行動にどのように影響するかを探る。 (二)中立的急変を用いてエージェント選好に関するより信頼性の高い洞察を得る、 3) LLMエージェントによるオープン・エンド・インストラクションに応答する言語的特徴を分析し, 行動の背景にある推論をよりよく理解する。 その結果、エージェントはフェアネスを強く好み、システムのプロンプトが行動に大きく影響していることが判明した。 言語学的観点から、モデルが応答を異なる形で表現することを特定する。 迅速な感度は依然として持続的な課題であるが,本提案フレームワークはLLMエージェント行動研究の堅牢な基盤を実証する。 コードアーティファクトはhttps://github.com/andreaseinwiller/LLM-ABS.orgで公開されています。

関連論文リスト

• Diverging Preferences: When do Annotators Disagree and do Models Know? [92.24651142187989]
  我々は,4つのハイレベルクラスにまたがる10のカテゴリにまたがる相違点の分類法を開発した。 意見の相違の大部分は、標準的な報酬モデリングアプローチに反対している。 本研究は,選好の変化を識別し,評価とトレーニングへの影響を緩和する手法を開発する。
  論文  参考訳（メタデータ） (2024-10-18T17:32:22Z)
• Modulating Language Model Experiences through Frictions [56.17593192325438]
  言語モデルの過度な消費は、短期において未確認エラーを伝播し、長期的な批判的思考のために人間の能力を損なうリスクを出力する。 行動科学の介入にインスパイアされた言語モデル体験のための選択的摩擦を提案し,誤用を抑える。
  論文  参考訳（メタデータ） (2024-06-24T16:31:11Z)
• Nicer Than Humans: How do Large Language Models Behave in the Prisoner's Dilemma? [0.1474723404975345]
  複数レベルの敵意を示すランダムな敵に対する反復的囚人ジレンマの演奏におけるLlama2の協調行動について検討した。 Llama2は欠陥を起こさない傾向にあるが、協調に慎重なアプローチを採用する。 ヒトの参加者に関する以前の研究と比較すると、Llama2は協調行動に対するより強い傾きを示す。
  論文  参考訳（メタデータ） (2024-06-19T14:51:14Z)
• Human vs. Machine: Behavioral Differences Between Expert Humans and Language Models in Wargame Simulations [1.6108153271585284]
  大規模言語モデル(LLM)は、高い軍事的意思決定シナリオにおいて、人間と異なる振る舞いを示す。 当社の結果は、自律性を認める前に政策立案者が慎重であること、あるいはAIベースの戦略レコメンデーションに従うことを動機付けています。
  論文  参考訳（メタデータ） (2024-03-06T02:23:32Z)
• Aligning Large Language Models by On-Policy Self-Judgment [49.31895979525054]
  大規模言語モデルと人間の嗜好を整合させる既存のアプローチは、オンライン学習のために別々の報酬モデル(RM)を必要とするトレードオフに直面しています。 本稿では,オンライン学習を行う新たなアライメントフレームワークSELF-JUDGEを提案する。 また, さらなる評価を行なわずに, サンプリング自体がさらなる性能向上に寄与することを示した。
  論文  参考訳（メタデータ） (2024-02-17T11:25:26Z)
• Probing the Multi-turn Planning Capabilities of LLMs via 20 Question Games [14.063311955315077]
  大規模言語モデル(LLM)は、明らかに求められている質問に答えるのに効果的である。 不明瞭なクエリに直面した場合、予測不能に動作し、誤った出力を生成することができる。 このことは、曖昧さを効果的に解決するために明確化を問うことができる知的エージェントの開発の必要性を浮き彫りにする。
  論文  参考訳（メタデータ） (2023-10-02T16:55:37Z)
• Intuitive or Dependent? Investigating LLMs' Behavior Style to Conflicting Prompts [9.399159332152013]
  本研究では,Large Language Models (LLM) の動作を,内部記憶と競合するプロンプトに直面する場合の挙動について検討する。 これにより、LLMの意思決定機構を理解し、検索強化生成(RAG)のような現実世界のアプリケーションにも役立つ。
  論文  参考訳（メタデータ） (2023-09-29T17:26:03Z)
• Revisiting the Reliability of Psychological Scales on Large Language Models [62.57981196992073]
  本研究の目的は,大規模言語モデルにパーソナリティアセスメントを適用することの信頼性を明らかにすることである。 GPT-3.5、GPT-4、Gemini-Pro、LLaMA-3.1などのモデル毎の2,500設定の分析により、様々なLCMがビッグファイブインベントリに応答して一貫性を示すことが明らかになった。
  論文  参考訳（メタデータ） (2023-05-31T15:03:28Z)
• DeforestVis: Behavior Analysis of Machine Learning Models with Surrogate Decision Stumps [46.58231605323107]
  複雑なMLモデルの振る舞いを要約する視覚解析ツールであるDeforestVisを提案する。 DeforestVisは、より多くの切り株をインクリメンタルに生成することで、複雑さとフィデリティのトレードオフを探索するのに役立つ。 DeforestVisの適用性と有用性について,2つのユースケースと,データアナリストとモデル開発者とのエキスパートインタビューで紹介する。
  論文  参考訳（メタデータ） (2023-03-31T21:17:15Z)

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。