論文の概要: LLM Agents as Social Scientists: A Human-AI Collaborative Platform for Social Science Automation

• arxiv url: http://arxiv.org/abs/2604.01520v1
• Date: Thu, 02 Apr 2026 01:18:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.18477
• Title: LLM Agents as Social Scientists: A Human-AI Collaborative Platform for Social Science Automation
• Title（参考訳）: LLM Agents as Social Scientists: A Human-AI Collaborative Platform for Social Science Automation
• Authors: Lei Wang, Yuanzi Li, Jinchao Wu, Heyang Gao, Xiaohe Bo, Xu Chen, Ji-Rong Wen,
• Abstract要約: S-Researcherは3つのコア要件に基づいて設計された大規模社会シミュレーションシステムである。 社会実験の設計、LLMエージェントによる人間の行動、結果の分析、レポート作成の研究者を支援する。 S-Researcherは、社会科学のための新しい人間-AI協調パラダイムを確立する。
• 参考スコア（独自算出の注目度）: 45.60301203002442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional social science research often requires designing complex experiments across vast methodological spaces and depends on real human participants, making it labor-intensive, costly, and difficult to scale. Here we present S-Researcher, an LLM-agent-based platform that assists researchers in conducting social science research more efficiently and at greater scale by "siliconizing" both the research process and the participant pool. To build S-Researcher, we first develop YuLan-OneSim, a large-scale social simulation system designed around three core requirements: generality via auto-programming from natural language to executable scenarios, scalability via a distributed architecture supporting up to 100,000 concurrent agents, and reliability via feedback-driven LLM fine-tuning. Leveraging this system, S-Researcher supports researchers in designing social experiments, simulating human behavior with LLM agents, analyzing results, and generating reports, forming a complete human-AI collaborative research loop in which researchers retain oversight and intervention at every stage. We operationalize LLM simulation research paradigms into three canonical reasoning modes (induction, deduction, and abduction) and validate S-Researcher through systematic case studies: inductive reproduction of cultural dynamics consistent with Axelrod's theory, deductive testing of competing hypotheses on teacher attention validated against survey data, and abductive identification of a cooperation mechanism in public goods games confirmed by human experiments. S-Researcher establishes a new human--AI collaborative paradigm for social science, in which computational simulation augments human researchers to accelerate discovery across the full spectrum of social inquiry.
• Abstract（参考訳）: 伝統的な社会科学の研究は、しばしば、広大な方法論的空間にまたがる複雑な実験を設計することを必要とし、実際の人間の参加者に依存し、労働集約的でコストがかかり、スケールが困難である。 本稿では,S-Researcherについて述べる。S-Researcherは,研究プロセスと参加者プールの両方を「シリコン化」することで,研究者がより効率的に社会科学研究を行うのを支援するプラットフォームである。 S-Researcherを構築するために,我々はYuLan-OneSimを開発した。これは,自然言語から実行シナリオへの自動プログラミングによる汎用性,最大10万の並行エージェントをサポートする分散アーキテクチャによるスケーラビリティ,フィードバック駆動型LLM微調整による信頼性という,3つのコア要件に基づいて設計された大規模社会シミュレーションシステムである。 このシステムを活用することで、S-Researcherは、社会実験の設計、LLMエージェントによる人間の行動のシミュレーション、結果の分析、レポートの生成、そして研究者があらゆる段階で監視と介入を維持する完全な人間とAIの共同研究ループを形成することを支援する。 我々は,LSMシミュレーション研究パラダイムを3つの標準的な推論モード(推論,推論,誘拐)に分割し,システマティックケーススタディを通じてS-Researcherを検証する。 S-Researcherは、社会科学のための新しい人間-AI協調パラダイムを確立し、計算シミュレーションにより、社会調査の全領域にわたる発見を加速させる。

関連論文リスト

• Leveraging LLM-based agents for social science research: insights from citation network simulations [132.4334196445918]
  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。
  論文  参考訳（メタデータ） (2025-11-05T08:47:04Z)
• Population-Aligned Persona Generation for LLM-based Social Simulation [58.84363795421489]
  本稿では,社会シミュレーションのための高品質な集団対応ペルソナ集合を合成するための体系的枠組みを提案する。 我々のアプローチは、長期のソーシャルメディアデータから物語的ペルソナを生成するために、大きな言語モデルを活用することから始まる。 特定のシミュレーションコンテキストのニーズに対処するために,対象のサブポピュレーションに対してグローバルに整合したペルソナを適応させるタスク固有モジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-12T10:43:47Z)
• 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)
• AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents Advances Understanding of Human Behaviors and Society [32.849311155921264]
  本稿では,現実的な社会環境を統合した大規模社会シミュレータであるAgentSocietyを提案する。 提案したシミュレーターに基づいて,500万件のインタラクションをシミュレートし,10万件以上のエージェントの社会生活を生成する。 偏極、炎症性メッセージの普及、普遍的ベーシック・インカム・ポリシーの効果、ハリケーンなどの外部ショックの影響の4つに焦点をあてる。
  論文  参考訳（メタデータ） (2025-02-12T15:27:07Z)
• ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
  ResearchAgentは、新しい作品のアイデアと運用のためのAIベースのシステムである。 ResearchAgentは、新しい問題を自動で定義し、手法と設計実験を提案し、繰り返し修正する。 我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-11T13:36:29Z)
• Computational Experiments Meet Large Language Model Based Agents: A Survey and Perspective [16.08517740276261]
  計算実験は複雑なシステムを研究するための貴重な方法として登場した。 エージェントベースモデリング(ABM)における実際の社会システムを正確に表現することは、人間の多様性と複雑な特性のために困難である。 大規模言語モデル(LLM)の統合が提案され、エージェントが人為的な能力を持つことができる。
  論文  参考訳（メタデータ） (2024-02-01T01:17:46Z)

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。