論文の概要: Building Social World Models with Large Language Models

• arxiv url: http://arxiv.org/abs/2606.11482v1
• Date: Tue, 09 Jun 2026 22:15:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.200055
• Title: Building Social World Models with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたソーシャルワールドモデルの構築
• Authors: Haofei Yu, Yining Zhao, Guanyu Lin, Jiaxuan You,
• Abstract要約: 本稿では,社会世界モデル(SWM, Social World Model)の概念を紹介する。 SWMは、社会的データの時間的パターンをマイニングし、証拠を低い範囲で最適化することで、社会的信念のための状態遷移関数を学習する。 実験の結果,SWMは時系列基礎モデルよりも有意に優れていた。
• 参考スコア（独自算出の注目度）: 30.649793661278277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and predicting how social beliefs evolve in response to events -- from policy changes to scientific breakthroughs -- remains a fundamental challenge in social science. Given LLMs' commonsense knowledge and social intelligence, we ask: Can LLMs model the dynamics of social beliefs following social events? In this work, we introduce the concept of the Social World Model (SWM), a general framework designed to capture how social beliefs evolve in response to major events. SWM learns state-transition functions for social beliefs by mining temporal patterns in social data and optimizing the evidence lower bound, without the need for explicit human annotations linking events to belief shifts, or for expensive census data. To evaluate SWM, we introduce a benchmark, SWM-bench, derived from real-world prediction markets, specifically Kalshi and Polymarket. SWM-bench includes over 12k data points for social belief prediction tasks spanning diverse domains such as politics, finance, and cryptocurrency. Our experimental results show that SWM significantly outperforms time-series foundation models, achieving state-of-the-art results on Kalshi data and demonstrating competitive performance on Polymarket data, while offering interpretable insights into the underlying mechanisms of social belief dynamics.
• Abstract（参考訳）: 社会科学の基本的な課題は、政策の変化から科学的なブレークスルーまで、出来事に対する社会的信念の進化の理解と予測である。 LLMsの常識知識と社会的知性を考えると、LLMsは社会的出来事に続く社会的信念のダイナミクスをモデル化できるだろうか? 本研究では,社会世界モデル(SWM, Social World Model)の概念を紹介する。 SWMは、社会的データの時間的パターンをマイニングし、証拠を下限に最適化することで、社会的信念のための状態遷移関数を学習する。 SWMを評価するために、実世界の予測市場、特にカルシとポリマーケットから派生したベンチマークSWMベンチを導入する。 SWM-benchには、政治、金融、暗号通貨といったさまざまな分野にまたがる社会的信念予測タスクのための12万以上のデータポイントが含まれている。 実験の結果,SWMは時系列基盤モデルよりも優れ,カルシデータ上での最先端の成果を達成し,ポリマーケットデータ上での競争性能を示した。

関連論文リスト

• Social Simulations with Large Language Model Risk Utopian Illusion [61.358959720048354]
  社会シミュレーションにおける大規模言語モデルの行動分析のための体系的枠組みを提案する。 本手法は,チャットルーム型会話を通してマルチエージェントインタラクションをシミュレートし,5つの言語的側面にわたって解析する。 以上の結果から,LSMは真の人間の行動を忠実に再現するのではなく,過度に理想化されたバージョンを反映していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-24T06:08:41Z)
• SocialMaze: A Benchmark for Evaluating Social Reasoning in Large Language Models [41.68365456601248]
  社会的推論を評価するために特別に設計された新しいベンチマークであるSocialMazeを紹介する。 SocialMazeは、深い推論、動的なインタラクション、情報の不確実性という3つの主要な課題を体系的に取り入れている。 ソーシャル推論ゲーム、日々のインタラクション、デジタルコミュニティプラットフォームという3つの主要な設定にまたがる6つの多様なタスクを提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:47:36Z)
• SCRAG: Social Computing-Based Retrieval Augmented Generation for Community Response Forecasting in Social Media Environments [8.743208265682014]
  SCRAGは、ソーシャルコンピューティングにインスパイアされた予測フレームワークである。 リアルまたは仮説的なソーシャルメディア投稿に対するコミュニティの反応を予測する。 公開関係の専門家が意図しない誤解を避ける方法でメッセージを作成するために使用することができる。
  論文  参考訳（メタデータ） (2025-04-18T15:02:31Z)
• SocioVerse: A World Model for Social Simulation Powered by LLM Agents and A Pool of 10 Million Real-World Users [70.02370111025617]
  本稿では,社会シミュレーションのためのエージェント駆動世界モデルであるSocioVerseを紹介する。 私たちのフレームワークは、4つの強力なアライメントコンポーネントと1000万の実際の個人からなるユーザプールを備えています。 SocioVerseは、多様性、信頼性、代表性を確保しつつ、大規模な人口動態を反映できることを示した。
  論文  参考訳（メタデータ） (2025-04-14T12:12:52Z)
• Social Genome: Grounded Social Reasoning Abilities of Multimodal Models [61.88413918026431]
  社会的推論能力は、AIシステムが社会的文脈内でのマルチモーダルなヒューマンコミュニケーションと相互作用を解釈し、応答する上で不可欠である。 SOCIAL GENOMEは,マルチモーダルモデルのきめ細かな基礎的な社会的推論能力を示す最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-02-21T00:05:40Z)
• Social Opinions Prediction Utilizes Fusing Dynamics Equation with LLM-based Agents [6.1923703280119105]
  本研究では, Fusing Dynamics Equation-Large Language Model (FDE-LLM) アルゴリズムを提案する。 この革新的なアプローチは、大規模言語モデルにおける意見の行動と進化を、ソーシャルネットワーク上の実世界のデータと整合させる。 我々のアルゴリズムは、時間とともに意見の崩壊と回復を正確にシミュレートする。
  論文  参考訳（メタデータ） (2024-09-13T11:02:28Z)

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。