論文の概要: SODE: Analyzing Social Dynamics in LLM Agents

• arxiv url: http://arxiv.org/abs/2605.23949v1
• Date: Wed, 06 May 2026 14:50:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:42.966586
• Title: SODE: Analyzing Social Dynamics in LLM Agents
• Title（参考訳）: SODE: LLMエージェントにおける社会的ダイナミクスの分析
• Authors: Inseo Jung, Yoonseok Oh, Kyungryul Back, Jinkyu Kim, Jungbeom Lee,
• Abstract要約: SODE(Social Dynamics Evaluation)は,AIエージェントを3つの進化的側面にわたって評価するフレームワークである。 SODEを適用すると、系統的な違いが明らかになる。 我々は「ロングホライズンフレーミング」がモデル推論における相互機能を解き放つことを実証した。
• 参考スコア（独自算出の注目度）: 17.885513252130373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As Large Language Models (LLMs) evolve into interactive agents, understanding their behavioral alignment within human social dynamics becomes essential. While behavioral game theory offers a framework to study these interactions, previous work has predominantly relied on outcome-based metrics such as average scores. This focus overlooks the mechanisms that facilitate sustainable cooperation, as identical scores can be derived from vastly different strategies. To bridge this gap, we introduce SODE (Social Dynamics Evaluation), a framework that evaluates LLM agents across three evolutionary dimensions: Direct Reciprocity for strategy adaptation, Indirect Reciprocity for reputation sensitivity, and Group Dynamics for cooperative resilience. Applying SODE reveals systematic divergences: instruction-tuned models often exhibit "passive compliance" that renders them vulnerable to exploitation, while reasoning models prioritize short-horizon optimization, destabilizing long-term cooperation. Notably, we demonstrate that a "long-horizon framing" can unlock reciprocal capabilities in reasoning models. Thus, SODE offers a systematic, mechanism-grounded benchmark for aligning AI agents with complex human social dynamics.
• Abstract（参考訳）: 大規模言語モデル(LLM)が対話型エージェントへと進化するにつれて、人間の社会力学における行動アライメントを理解することが不可欠となる。 行動ゲーム理論はこれらの相互作用を研究するための枠組みを提供するが、以前の研究は主に平均スコアのような結果に基づくメトリクスに依存してきた。 この焦点は、非常に異なる戦略から同一のスコアを導き出すことができるため、持続可能な協力を促進するメカニズムを見落としている。 このギャップを埋めるために、戦略適応のための直接互恵性、評価感度のための間接互恵性、協調的レジリエンスのためのグループダイナミクスという3つの進化的な側面からLLMエージェントを評価するフレームワークであるSODE(Social Dynamics Evaluation)を紹介した。 SODEを適用すると、体系的な違いが明らかになる: 命令調整されたモデルは、しばしば「パッシブ・コンプライアンス」を示し、それらが悪用に弱いことを示す一方、推論モデルは短期的な水平最適化を優先し、長期的な協力を不安定にする。 特に、「ロングホライズンフレーミング」がモデル推論における相互機能を解き放つことを実証する。 このように、SODEは、AIエージェントと複雑な人間の社会的ダイナミクスを整合させるための、体系的でメカニズムベースのベンチマークを提供する。

関連論文リスト

• Understanding LLM Agent Behaviours via Game Theory: Strategy Recognition, Biases and Multi-Agent Dynamics [1.6487772637295166]
  我々はFAIRGAMEフレームワークを拡張し、繰り返しの社会的ジレンマにおける大規模言語モデル(LLM)の振る舞いを評価する。 LLMは、言語フレーミングが建築的差異に匹敵する効果を発揮することを示し、体系的、モデル的、言語に依存した行動意図を示す。
  論文  参考訳（メタデータ） (2025-12-08T11:40:03Z)
• Social World Model-Augmented Mechanism Design Policy Learning [58.739456918502704]
  SWM-AP (Social World Model-Augmented Mechanism Design Policy Learning) を導入する。 SWM-APは,累積報酬とサンプル効率において,モデルベースおよびモデルフリーのRLベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-10-22T06:01:21Z)
• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [103.32591749156416]
  エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。 本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
  論文  参考訳（メタデータ） (2025-09-02T17:46:26Z)
• Simulating Generative Social Agents via Theory-Informed Workflow Design [11.992123170134185]
  社会エージェントのための体系的設計プロセスを提供する理論インフォームド・フレームワークを提案する。 私たちのフレームワークは、社会的認知理論の原則に基づいており、モチベーション、行動計画、学習という3つの重要なモジュールを導入しています。 実験により, 複雑な条件下での現実的な人間の行動パターンを再現できることが実証された。
  論文  参考訳（メタデータ） (2025-08-12T08:14:48Z)
• 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)
• A Grounded Observer Framework for Establishing Guardrails for Foundation Models in Socially Sensitive Domains [1.9116784879310025]
  基礎モデルの複雑さを考えると、エージェントの振る舞いを制約する従来の手法は直接適用できない。 本稿では,行動保証とリアルタイム変動性の両方を提供する基礎モデルの挙動を制約する基盤となるオブザーバフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-23T22:57:05Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• An active inference model of collective intelligence [0.0]
  本稿では,局所的な個人レベルの相互作用と集団的知性の関係をシミュレートする最小エージェントモデルを提案する。 その結果, エージェントの局所的最適とグローバル的最適の整合性の相補的なメカニズムを提供することにより, 段階的認知遷移がシステム性能を向上させることが示された。
  論文  参考訳（メタデータ） (2021-04-02T14:32:01Z)

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。