論文の概要: Sentipolis: Emotion-Aware Agents for Social Simulations

• arxiv url: http://arxiv.org/abs/2601.18027v1
• Date: Sun, 25 Jan 2026 22:50:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.587889
• Title: Sentipolis: Emotion-Aware Agents for Social Simulations
• Title（参考訳）: Sentipolis: 社会シミュレーションのための感情認識エージェント
• Authors: Chiyuan Fu, Lyuhao Chen, Yunze Xiao, Weihao Xuan, Carlos Busso, Mona Diab,
• Abstract要約: センティポリスは、社会シミュレーションのための感情的にステートフルなエージェントのためのフレームワークである。 Pleasure-Arousal-Dominance表現、デュアルスピード感情ダイナミクス、感情-メモリ結合を統合している。
• 参考スコア（独自算出の注目度）: 27.051352819823524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM agents are increasingly used for social simulation, yet emotion is often treated as a transient cue, causing emotional amnesia and weak long-horizon continuity. We present Sentipolis, a framework for emotionally stateful agents that integrates continuous Pleasure-Arousal-Dominance (PAD) representation, dual-speed emotion dynamics, and emotion--memory coupling. Across thousands of interactions over multiple base models and evaluators, Sentipolis improves emotionally grounded behavior, boosting communication, and emotional continuity. Gains are model-dependent: believability increases for higher-capacity models but can drop for smaller ones, and emotion-awareness can mildly reduce adherence to social norms, reflecting a human-like tension between emotion-driven behavior and rule compliance in social simulation. Network-level diagnostics show reciprocal, moderately clustered, and temporally stable relationship structures, supporting the study of cumulative social dynamics such as alliance formation and gradual relationship change.
• Abstract（参考訳）: LLMエージェントは、社会的シミュレーションにますます使用されるが、感情は過渡的なキューとして扱われ、感情的なアムネシアと弱いロングホライゾン連続性を引き起こす。 本稿では,情緒的ステートフルエージェントのためのフレームワークであるSentipolisについて紹介する。 複数のベースモデルと評価者に対する何千ものインタラクションを通じて、Sentipolisは感情的に根拠づけられた振る舞いを改善し、コミュニケーションを促進し、感情的な連続性を高める。 利得はモデルに依存している: 高容量モデルでは信頼性が向上するが、より小さなモデルでは低下し、感情認識は社会的規範への軽度な遵守を減らし、感情駆動行動と社会シミュレーションにおけるルールコンプライアンスの間の人間のような緊張を反映する。 ネットワークレベルの診断は、相互、適度にクラスタ化され、時間的に安定な関係構造を示し、アライアンス形成や漸進的な関係変化のような累積的な社会的ダイナミクスの研究を支援する。

関連論文リスト

• Detecting Emotional Dynamic Trajectories: An Evaluation Framework for Emotional Support in Language Models [6.810484095299127]
  感情支援は人間とAIの相互作用における中核的な能力であり、心理学的カウンセリング、ロールプレイ、コンパニオンシップなどの応用がある。 大規模言語モデル(LLM)の既存の評価は、しばしば短く静的な対話に依存し、感情的サポートの動的で長期的な性質を捉えない。 本フレームワークは,328の情緒的文脈と1,152の外乱イベントからなる大規模ベンチマークを構築し,進化する対話シナリオ下での現実的な情緒的変化をシミュレートする。
  論文  参考訳（メタデータ） (2025-11-12T05:47:28Z)
• 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)
• Emergence of Hierarchical Emotion Organization in Large Language Models [25.806354070542678]
  大規模言語モデル(LLM)は自然に人間の心理モデルと一致する階層的な感情木を形成する。 また,社会経済的な人格における感情認識の体系的バイアスを明らかにする。 以上の結果から,より優れたモデル評価の開発に認知的基礎理論を用いることの可能性が示唆された。
  論文  参考訳（メタデータ） (2025-07-12T15:12:46Z)
• Sentient Agent as a Judge: Evaluating Higher-Order Social Cognition in Large Language Models [75.85319609088354]
  SAGE(Sentient Agent as a Judge)は、大規模言語モデルの評価フレームワークである。 SAGEは人間のような感情の変化や内的思考をシミュレートするSentient Agentをインスタンス化する。 SAGEは、真に共感的で社会的に適応的な言語エージェントへの進捗を追跡するための、原則付き、スケーラブルで解釈可能なツールを提供する。
  論文  参考訳（メタデータ） (2025-05-01T19:06:10Z)
• Disentangle Identity, Cooperate Emotion: Correlation-Aware Emotional Talking Portrait Generation [63.94836524433559]
  DICE-Talkは、感情と同一性を切り離し、類似した特徴を持つ感情を協調するフレームワークである。 我々は、モーダル・アテンションを通して、音声と視覚の感情の手がかりを共同でモデル化するアンタングル型感情埋め込み装置を開発した。 次に,学習可能な感情バンクを用いた相関強化感情調和モジュールを提案する。 第3に、拡散過程における感情の一貫性を強制する感情識別目標を設計する。
  論文  参考訳（メタデータ） (2025-04-25T05:28:21Z)
• Consistency of Responses and Continuations Generated by Large Language Models on Social Media [11.076748897687764]
  大規模言語モデル(LLM)は、テキスト生成において顕著な能力を示すが、ソーシャルメディアの文脈における感情的一貫性とセマンティック・コヒーレンス(セマンティック・コヒーレンス)は十分に理解されていない。 本研究では,LLMが情緒的内容をどのように処理し,継続および応答タスクを通じて意味的関係を維持するかを検討する。
  論文  参考訳（メタデータ） (2025-01-14T13:19:47Z)
• Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
  本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。 本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。 本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
  論文  参考訳（メタデータ） (2021-04-20T16:55:15Z)

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。