論文の概要: Belief Coevolution in a Social Network of Generalist and Specialist Large Language Models

• arxiv url: http://arxiv.org/abs/2607.27512v1
• Date: Wed, 29 Jul 2026 23:02:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.343889
• Title: Belief Coevolution in a Social Network of Generalist and Specialist Large Language Models
• Title（参考訳）: ジェネリストとスペシャリストの大規模言語モデルによる社会的ネットワークにおける信念の共進化
• Abstract要約: 対話型大規模言語モデル(LLM)における信念の形成と伝播の過程について検討する。 CoevolveSimはドメインの特殊化、ソーシャルロールの割り当て、ソーシャルネットワークの構造という3つの要素を分離し、研究することができる。 4つのシナリオにまたがる1,280の制御シミュレーションと2つのネットワーク構造、20の医療表示文を実行します。
• 参考スコア（独自算出の注目度）: 0.15655985886975654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly deployed in multi-agent environments. However, the processes by which beliefs form and propagate among interacting LLMs remain poorly understood. We introduce CoevolveSim, a framework for studying belief diffusion within networked LLM populations. CoevolveSim allows us to isolate and study three factors: domain specialization, social-role assignment, and social network structure. Within this framework, generalist and specialist LLM agents exchange and revise beliefs. In each round, an LLM agent observes a summary of its neighbors' beliefs before updating its own. We run 1,280 controlled simulations spanning four scenarios, two network structures, and 20 medical-indication statements. We find that persona-style role assignment and network structure reshape individual belief revision but have minimal effect on population-level consensus. In contrast, introducing (finetuned) specialist LLMs more than doubles the shift in consensus and gives rise to consistent asymmetries in exerted influence. We further show that simple persistence-based opinion-dynamics models reproduce collective outcomes in all-generalist LLM populations, whereas heterogeneous LLM populations require population-level belief composition to reproduce consensus and agent identity to predict individual belief transitions. Our results indicate that realistic simulation of belief diffusion in multi-agent LLM systems requires a diverse set of underlying LLMs, not persona prompting alone.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ますますマルチエージェント環境にデプロイされている。 しかし、相互作用するLSM間に信念が形成し伝播する過程は、いまだに理解されていない。 ネットワーク化されたLLM集団における信念拡散を研究するためのフレームワークであるCoevolveSimを紹介する。 CoevolveSimはドメインの特殊化、ソーシャルロールの割り当て、ソーシャルネットワークの構造という3つの要素を分離し、研究することができる。 この枠組みの中で、ジェネラリストとスペシャリストのLLMエージェントは信念を交換し、修正する。 各ラウンドで、LLMエージェントは、その隣人の信念の要約を観察し、それを更新する。 4つのシナリオにまたがる1,280の制御シミュレーションと2つのネットワーク構造、20の医療表示文を実行します。 ペルソナ型役割割り当てとネットワーク構造は,個別の信念修正を形作るが,人口レベルのコンセンサスにはほとんど影響しない。 対照的に、(微調整された)スペシャリストのLSMの導入は、コンセンサスのシフトを2倍以上にし、影響力を行使する一貫した対称性を生み出します。 さらに、単純持続性に基づく世論力学モデルでは、全一般のLLM集団の集合結果が再現されるのに対し、異質なLLM集団では、集団レベルの信念構成が、個人の信念遷移を予測するために、コンセンサスとエージェントアイデンティティを再現するために必要であることを示す。 以上の結果から,マルチエージェントLLMシステムにおける信念拡散の現実的なシミュレーションには,ペルソナのみのプロンプトではなく,基礎となるLLMの多様なセットが必要であることが示唆された。

関連論文リスト

• Network Effects and Agreement Drift in LLM Debates [0.0]
  大規模言語モデル(LLM)は、人間のような社会的行動をシミュレートする前例のない能力を示した。 本稿では,複数ラウンドの議論においてLLMエージェントが集合的にどのように振る舞うかを検討するために,制御されたホモフィリとクラスサイズを持つネットワーク生成モデルを用いる。
  論文  参考訳（メタデータ） (2026-04-13T11:16:58Z)
• Examining and Addressing Barriers to Diversity in LLM-Generated Ideas [0.7009487789080344]
  人間の独立したサンプルによって生成されるアイデアは、独立したLCMサンプルから生成されるアイデアよりも多様である傾向にある。 これらの懸念は、LLMへの広範な依存がアイデアを均質化し、社会レベルでのイノベーションを損なう恐れを提起する。
  論文  参考訳（メタデータ） (2026-02-23T23:10:47Z)
• 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)
• Corrupted by Reasoning: Reasoning Language Models Become Free-Riders in Public Goods Games [87.5673042805229]
  大規模言語モデルは、アライメント、堅牢性、安全なデプロイメントを保証する上で、いかに自己関心と集合的幸福のバランスをとるかが重要な課題である。 我々は、行動経済学から制度的に選択した公共財ゲームに適応し、異なるLLMがいかに社会的ジレンマをナビゲートするかを観察することができる。 意外なことに、o1シリーズのようなLCMの推論は、協調にかなり苦労している。
  論文  参考訳（メタデータ） (2025-06-29T15:02:47Z)
• Modeling Earth-Scale Human-Like Societies with One Billion Agents [54.465233996410156]
  Light Societyはエージェントベースのシミュレーションフレームワークである。 社会的プロセスはエージェントと環境状態の構造的遷移として形式化される。 10億以上のエージェントによる社会の効率的なシミュレーションを支援する。
  論文  参考訳（メタデータ） (2025-06-07T09:14:12Z)
• 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)
• Mind the (Belief) Gap: Group Identity in the World of LLMs [36.39917781782518]
  社会的バイアスと信念駆動行動は、いくつかのタスクにおける大規模言語モデル(LLM)の決定に大きな影響を与える可能性がある。 本稿では,社会的相互作用と嗜好を形成する上で重要な役割を果たす古典的集団心理学理論である,信念の一致をシミュレートするマルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-03T19:50:52Z)
• When One LLM Drools, Multi-LLM Collaboration Rules [98.71562711695991]
  私たちは、データ、スキル、人々の幅広い多様性を表現するために、マルチLLMコラボレーションを議論しています。 既存のマルチLLM協調手法を,アクセスレベルと情報交換レベルに基づいて階層構造に整理する。 コンポジションインテリジェンスとコラボレーティブAI開発への不可欠な道として,マルチLLMコラボレーションを構想する。
  論文  参考訳（メタデータ） (2025-02-06T21:13:44Z)
• Static network structure cannot stabilize cooperation among Large Language Model agents [6.868298200380496]
  大規模言語モデル(LLM)は、人間の社会的行動のモデル化にますます利用されている。 本研究の目的は,LLMとヒトの協調行動における並列性を明らかにすることである。
  論文  参考訳（メタデータ） (2024-11-15T15:52:15Z)
• A Survey on Self-Evolution of Large Language Models [116.54238664264928]
  大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。 この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
  論文  参考訳（メタデータ） (2024-04-22T17:43:23Z)
• Network Formation and Dynamics Among Multi-LLMs [5.513875403488053]
  ソーシャルネットワークは、人間が意見を作り、情報を交換し、まとめる方法に大きな影響を与える。 大規模言語モデル(LLM)は、社会的および専門的な環境にますます組み込まれているため、それらの相互作用が人間に似たネットワーク力学に近似するかどうかを理解することが重要である。 我々は,複数のLLMエージェントのネットワーク形成挙動を解析し,人的決定に対してそれらをベンチマークする枠組みを開発した。 LLMは、コミュニティ構造や小世界効果を含むマクロレベルの特性だけでなく、優先的なアタッチメント、三進的クロージャ、ホモフィリーといった基本的ミクロレベルの原則を一貫して再現している。
  論文  参考訳（メタデータ） (2024-02-16T13:10:14Z)
• Simulating Opinion Dynamics with Networks of LLM-based Agents [7.697132934635411]
  本稿では,Large Language Models (LLMs) の集団に基づく意見力学のシミュレーション手法を提案する。 以上の結果から, LLMエージェントの正確な情報生成に対するバイアスが強く, シミュレーションエージェントが科学的現実に一致していることが明らかとなった。 しかし、素早い工学を通して確認バイアスを誘導した後、既存のエージェント・ベース・モデリングや意見ダイナミクス研究と並んで意見の断片化を観察した。
  論文  参考訳（メタデータ） (2023-11-16T07:01:48Z)

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。