論文の概要: Dynamics of Cognitive Heterogeneity: Investigating Behavioral Biases in Multi-Stage Supply Chains with LLM-Based Simulation

• arxiv url: http://arxiv.org/abs/2604.17220v1
• Date: Sun, 19 Apr 2026 03:03:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.399898
• Title: Dynamics of Cognitive Heterogeneity: Investigating Behavioral Biases in Multi-Stage Supply Chains with LLM-Based Simulation
• Title（参考訳）: 認知的不均一性のダイナミクス:LCMシミュレーションを用いた多段供給鎖の挙動バイアス解析
• Authors: Jiuyun Jiang, Yuecheng Hong, Bo Yang, Jin Yang, Guangxin Jiang, Xiaomeng Guo, Guang Xiao,
• Abstract要約: 本研究は,認知的不均一性がエージェント相互作用に与える影響を特に分析する。 我々は、DeepSeekおよびGPTエージェントを使用して、サプライチェーン層間での推論の洗練を体系的に変化させる。 その結果, エージェントは, 全身的不効率を悪化させる筋活動, 自己関心行動を示すことが明らかとなった。
• 参考スコア（独自算出の注目度）: 8.478223327809527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling coordination among generative agents in complex multi-round decision-making presents a core challenge for AI and operations management. Although behavioral experiments have revealed cognitive biases behind supply chain inefficiencies, traditional methods face scalability and control limitations. We introduce a scalable experimental paradigm using Large Language Models (LLMs) to simulate multi-stage supply chain dynamics. Grounded in a Hierarchical Reasoning Framework, this study specifically analyzes the impact of cognitive heterogeneity on agent interactions. Unlike prior homogeneous settings, we employ DeepSeek and GPT agents to systematically vary reasoning sophistication across supply chain tiers. Through rigorously replicated and statistically validated simulations, we investigate how this cognitive diversity influences collective outcomes. Results indicate that agents exhibit myopic and self-interested behaviors that exacerbate systemic inefficiencies. However, we demonstrate that information sharing effectively mitigates these adverse effects. Our findings extend traditional behavioral methods and offer new insights into the dynamics of AI-enabled organizations. This work underscores both the potential and limitations of LLM-based agents as proxies for human decision-making in complex operational environments.
• Abstract（参考訳）: 複雑な多ラウンド意思決定における生成エージェント間の協調のモデル化は、AIと運用管理にとって重要な課題である。 行動実験はサプライチェーンの非効率性の背後にある認知バイアスを明らかにしているが、従来の手法ではスケーラビリティと制御の制限に直面している。 我々は,多段階サプライチェーンのダイナミクスをシミュレートするために,LLM(Large Language Models)を用いたスケーラブルな実験パラダイムを導入する。 階層的推論フレームワークを基盤として,認知的異質性がエージェント相互作用に与える影響を具体的に分析する。 従来の均一な設定とは異なり、我々はDeepSeekおよびGPTエージェントを使用してサプライチェーン層間での推論の洗練を体系的に変化させる。 厳密に再現され統計的に検証されたシミュレーションを通して、この認知的多様性が集団的な結果にどのように影響するかを考察する。 その結果, エージェントは, 全身的不効率を悪化させる筋活動, 自己関心行動を示すことが明らかとなった。 しかし,情報共有はこれらの悪影響を効果的に軽減することを示す。 我々の発見は、従来の行動手法を拡張し、AI対応組織のダイナミクスに関する新たな洞察を提供する。 この研究は、複雑な運用環境での人間による意思決定のためのプロキシとして、LLMベースのエージェントの可能性と限界の両方を浮き彫りにする。

関連論文リスト

• Guided Collaboration in Heterogeneous LLM-Based Multi-Agent Systems via Entropy-Based Understanding Assessment and Experience Retrieval [35.96356869281219]
  本稿では,強弱系における反直観的現象について述べる。 本稿では,各エージェントの認知状態を動的に調整するエントロピーに基づく適応誘導フレームワークを提案する。 我々のアプローチは、不均一なコラボレーションの有効性と安定性を一貫して向上させる。
  論文  参考訳（メタデータ） (2026-02-14T07:10:04Z)
• Causal Reinforcement Learning based Agent-Patient Interaction with Clinical Domain Knowledge [3.2434118923825483]
  強化学習(RL)は、データが不足している認知症ケアなど、適応的な医療介入において重大な課題に直面している。 本稿では、因果発見と推論をポリシー最適化に明示的に統合する、因果構造対応強化学習(CRL)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-17T22:38:03Z)
• TOPSIS-like metaheuristic for LABS problem [70.49434432747293]
  最良解に従う戦略と最悪の解を避ける戦略を統合する社会認知突然変異機構を導入する。 探索エージェントにハイパフォーマンスなソリューションを模倣し、貧弱なソリューションを避けるよう誘導することにより、これらの演算子は解の多様性と収束効率の両方を高める。
  論文  参考訳（メタデータ） (2025-11-08T00:47:37Z)
• Your AI Bosses Are Still Prejudiced: The Emergence of Stereotypes in LLM-Based Multi-Agent Systems [3.35957402502816]
  AIに基づくマルチエージェントシステムにおけるステレオタイプの出現と進化について検討する。 以上の結果から,AIエージェントは事前に定義されたバイアスを伴わずに,対話においてステレオタイプによるバイアスを発生させることが判明した。 これらのシステムは、ハロ効果、確認バイアス、役割整合性など、人間の社会的行動に類似したグループ効果を示す。
  論文  参考訳（メタデータ） (2025-08-27T14:25:43Z)
• Herd Behavior: Investigating Peer Influence in LLM-based Multi-Agent Systems [7.140644659869317]
  大規模言語モデル(LLM)に基づくマルチエージェントシステムにおけるピアの影響のダイナミクスについて検討する。 自己自信と他者に対する信頼感のギャップは,エージェントが適合する可能性に大きな影響を及ぼすことを示す。 群集行動の強さを調節する上で,ピア情報提示形式が重要な役割を担っていることがわかった。
  論文  参考訳（メタデータ） (2025-05-27T12:12:56Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• Discovering Individual Rewards in Collective Behavior through Inverse Multi-Agent Reinforcement Learning [3.4437947384641032]
  政外逆マルチエージェント強化学習アルゴリズム(IMARL)を導入する。 実演を活用することで,アルゴリズムは報酬関数を自動的に発見し,エージェントの効果的なポリシーを学習する。 提案するIMARLアルゴリズムは, 構成成分の観点から, 集合力学を理解するための重要なステップである。
  論文  参考訳（メタデータ） (2023-05-17T20:07:30Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)

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。