論文の概要: ScioMind: Cognitively Grounded Multi-Agent Social Simulation with Anchoring-Based Belief Dynamics and Dynamic Profiles
- arxiv url: http://arxiv.org/abs/2605.13725v1
- Date: Wed, 13 May 2026 16:07:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:28.165765
- Title: ScioMind: Cognitively Grounded Multi-Agent Social Simulation with Anchoring-Based Belief Dynamics and Dynamic Profiles
- Title（参考訳）: ScioMind: Anchoring-based Belief Dynamics と Dynamic Profiles を用いた認知的マルチエージェント社会シミュレーション
- Authors: Yitian Yang, Yiqun Duan, Linghan Huang, Yiqi Zhu, Francesco Bailo, Chunmeizi Su, Huaming Chen,
- Abstract要約: 大規模言語モデル(LLM)に基づくマルチエージェントシミュレーションは、社会的意見力学を研究するための強力なテストベッドを提供する。
エージェント推論で構造化された意見力学を橋渡しする認知基盤型シミュレーションフレームワークであるScioMindを紹介する。
我々はScioMindを実世界の政策議論シナリオで複数のケーススタディで評価する。
- 参考スコア（独自算出の注目度）: 12.64432580192871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM)-based multi-agent simulation offers a powerful testbed for studying social opinion dynamics. Yet current approaches often adopt two contrasting methods: either relying on fixed update rules with limited cognitive grounding or delegating belief change largely to unconstrained LLM interaction. We introduce ScioMind, a cognitively grounded simulation framework that bridges these paradigms by combining structured opinion dynamics with LLM-based agent reasoning. ScioMind integrates three key components: 1) a memory-anchored belief update rule that modulates susceptibility to influence via personality-conditioned anchoring strength; 2) a hierarchical memory architecture that supports persistent, experience-driven belief formation; and 3) dynamic agent profiles derived from a corpus-grounded retrieval pipeline, enabling heterogeneous personalities, rationales, and evolving internal states. We evaluate ScioMind on multiple case studies in a real-world policy debate scenario. Across metrics including polarisation, diversity, extremization, and trajectory stability, the proposed components consistently yield improvements in behavioural realism. In particular, dynamic profiles increase opinion diversity, memory and reflection reduce unstable oscillation, and anchoring induces persistent belief trajectories that better align with patterns reported in political psychology. These results suggest that our cognitively grounded design provides a novel solution to LLM-based social simulation that improves both stable and behavioural realism
- Abstract（参考訳）: 大規模言語モデル(LLM)に基づくマルチエージェントシミュレーションは、社会的意見力学を研究するための強力なテストベッドを提供する。
しかし、現在のアプローチでは2つの対照的な方法が採用されている: 認知基盤が限られている固定された更新ルールに依存するか、主に制約のないLLMインタラクションに委譲する信条変更に依存する。
我々は、構造化された意見力学とLLMに基づくエージェント推論を組み合わせることで、これらのパラダイムを橋渡しする認知基盤シミュレーションフレームワークであるScioMindを紹介する。
ScioMindは3つの重要なコンポーネントを統合する。
1)パーソナライズされたアンカー強度を介して影響に対する感受性を調節するメモリアンカーの信条更新規則
2) 永続的で経験に基づく信念形成を支援する階層型記憶アーキテクチャ,及び
3) コーパスグラウンド検索パイプラインから抽出した動的エージェントプロファイルにより, 異質な個人性, 理性, 内部状態の進化を可能にする。
我々はScioMindを実世界の政策議論シナリオで複数のケーススタディで評価する。
偏極性、多様性、過度化、軌道安定性などを含む様々な指標において、提案されたコンポーネントは、常に行動リアリズムの改善をもたらす。
特に、動的プロファイルは意見の多様性を高め、記憶と反射は不安定な振動を減少させ、アンカーリングは政治的心理学で報告されたパターンとよりよく一致する永続的な信念軌道を誘導する。
これらの結果は、認知基盤設計が、安定的および行動的リアリズムを改善するLLMベースの社会シミュレーションに新しい解決策をもたらすことを示唆している。
関連論文リスト
- Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond [209.35045331678043]
2つの軸に沿って組織された「レベルx法」の分類を導入します。
第一に、3つの能力レベルを定義している: 1段階の局所遷移演算子を学ぶL1 Predictor、それらをドメインの法則を尊重する多段階のアクション条件付きロールアウトに構成するL2 Simulator、新しいエビデンスに対して予測が失敗すると自己のモデルを自動で修正するL3 Evolver。
我々は400以上の作品を合成し、モデルに基づく強化学習、ビデオ生成、WebおよびGUIエージェント、マルチエージェント社会シミュレーション、AIによる科学的発見にまたがる100以上の代表システムを要約する。
論文 参考訳（メタデータ） (2026-04-24T17:48:47Z) - Learning Dynamic Belief Graphs for Theory-of-mind Reasoning [5.807546348023422]
大規模言語モデル(LLM)を用いた心の理論(ToM)は、人々の暗黙的、進化的信念が、何を求めているか、不確実性の下でどのように振舞うかを推論する必要がある。
動的信念グラフとして精神状態を表すLLMベースのToMのための構造化認知軌道モデルを提案する。
我々のモデルは行動予測を大幅に改善し、人間の推論と整合した解釈可能な信念軌道を復元する。
論文 参考訳（メタデータ） (2026-03-20T17:46:55Z) - Aligning Agentic World Models via Knowledgeable Experience Learning [68.85843641222186]
環境フィードバックをシンセサイザー化したWorld Knowledge Repositoryを構築するフレームワークであるWorldMindを紹介する。
WorldMindは、優れたクロスモデルとクロス環境転送性を備えたベースラインよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-01-19T17:33:31Z) - HUMANLLM: Benchmarking and Reinforcing LLM Anthropomorphism via Human Cognitive Patterns [59.17423586203706]
本稿では,心理的パターンを因果力の相互作用として扱うフレームワークであるHUMANLLMを提案する。
12,000の学術論文から244のパターンを構築し、2-5のパターンが相互に強化、衝突、変調されるシナリオ11,359を合成する。
我々の二重レベルチェックリストは、個々のパターンの忠実度と創発的なマルチパターンのダイナミクスを評価し、強い人間のアライメントを達成する。
論文 参考訳（メタデータ） (2026-01-15T08:56:53Z) - DeceptionBench: A Comprehensive Benchmark for AI Deception Behaviors in Real-world Scenarios [57.327907850766785]
現実的な現実のシナリオにまたがる騙しのキャラクタリゼーションは未解明のままである。
DeceptionBenchは、さまざまなドメインにまたがる認知傾向を体系的に評価する最初のベンチマークです。
本研究は,本質的な側面から,ユーザ満足度を優先する自己関心のエゴスティックな傾向を示すモデルや,サイコファンティックな行動を示すモデルについて検討する。
実世界のフィードバックダイナミクスのより現実的なシミュレーションを構築するために,持続的マルチターン相互作用ループを組み込んだ。
論文 参考訳（メタデータ） (2025-10-17T10:14:26Z) - Rethinking the Role of Dynamic Sparse Training for Scalable Deep Reinforcement Learning [58.533203990515034]
ニューラルネットワークのスケーリングは機械学習における画期的な進歩をもたらしたが、このパラダイムは深層強化学習(DRL)では失敗している。
我々は、動的スパーストレーニング戦略が、アーキテクチャの改善によって確立された主要なスケーラビリティ基盤を補完するモジュール固有の利点を提供することを示す。
アーキテクチャ改善の利点を生かした実践的なフレームワークであるModule-Specific Training (MST) にこれらの知見を精査し、アルゴリズムの修正なしに様々なRLアルゴリズムをまたいだ大幅なスケーラビリティ向上を示す。
論文 参考訳（メタデータ） (2025-10-14T03:03:08Z) - 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) - The Traitors: Deception and Trust in Multi-Agent Language Model Simulations [0.0]
ソーシャル・デダクション・ゲームに触発されたマルチエージェント・シミュレーション・フレームワークであるThe Traitorsを紹介した。
我々は,詐欺の成功,信頼ダイナミクス,集団推論品質を計測する評価指標のスイートを開発する。
DeepSeek-V3, GPT-4o-mini, GPT-4o(モデル毎に10回の走行)による実験では, 顕著な非対称性が示された。
論文 参考訳（メタデータ） (2025-05-19T10:01:35Z) - Towards Causal Model-Based Policy Optimization [0.24578723416255752]
因果モデルに基づく政策最適化(C-MBPO)を紹介する。
C-MBPOは、因果学習をモデルベース強化学習パイプラインに統合する新しいフレームワークである。
我々は、C-MBPOが、動的に急激で非因果関係に影響を及ぼす分布シフトのクラスに対して堅牢であることを示す。
論文 参考訳（メタデータ） (2025-03-12T18:09:02Z) - Large Language Model Driven Agents for Simulating Echo Chamber Formation [5.6488384323017]
ソーシャルメディアプラットフォームにおけるエコーチャンバーの台頭は、分極と既存の信念の強化に対する懸念を高めている。
エコーチャンバーの形成をシミュレーションするための従来の手法は、しばしば事前定義された規則や数値シミュレーションに依存してきた。
本稿では,大言語モデル(LLM)を生成エージェントとして活用し,エコーチャンバー力学をシミュレートす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） (2025-02-25T12:05:11Z)
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。