論文の概要: Deal Me Maybe: The Role of Emotions in Multi-Agent Negotiation

• arxiv url: http://arxiv.org/abs/2608.06922v1
• Date: Fri, 07 Aug 2026 07:53:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.405531
• Title: Deal Me Maybe: The Role of Emotions in Multi-Agent Negotiation
• Title（参考訳）: マルチエージェントネゴシエーションにおける感情の役割
• Abstract要約: 迅速な条件付き感情がLLMに基づく価格交渉にどのように影響するかを考察する。 36以上の感情対の設定と5つの広く使われているLLMでは、感情が結果を強く形作っていることが判明した。
• 参考スコア（独自算出の注目度）: 10.490897068426564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Negotiation is a demanding social task for LLM agents, requiring strategic reasoning, persuasion, and interpersonal adaptation. Yet existing benchmarks often treat agents as emotionally neutral, overlooking a key driver of human bargaining behavior. We study how prompt-conditioned emotions affect LLM-based price negotiation. In a controlled framework, buyer and seller agents are independently assigned one of six emotional states and negotiate over 350 real consumer products under two budget conditions. Across 36 emotion-pair settings and five widely used LLMs, we find that emotions strongly shape outcomes. Angry buyers almost never reach agreement (0.39% deal rate), while happy buyers agree most often (28.91%), but obtain worse prices than fearful buyers. Emotion effects are role-dependent: buyer emotion mainly drives acceptance and rejection, whereas seller emotion shapes concession dynamics. These effects influence not only language, but also termination behavior and price trajectories, raising concerns for emotion-conditioned agents in commerce.
• Abstract（参考訳）: 交渉は、戦略的推論、説得、対人適応を必要とするLLMエージェントの社会的課題である。 しかし、既存のベンチマークでは、エージェントを感情的に中立なものとして扱い、人間の交渉行動のキードライバーを見下ろしていることが多い。 迅速な条件付き感情がLLMに基づく価格交渉にどのように影響するかを考察する。 統制された枠組みでは、買い手と売り手は独立して6つの感情状態の1つに割り当てられ、2つの予算条件下で350以上の実際の消費者製品について交渉する。 36以上の感情対の設定と5つの広く使われているLLMでは、感情が結果を強く形作っていることが判明した。 アングリバイヤーはほとんど合意に達しない(0.39%の取引率)が、幸せバイヤーは最も頻繁に同意する(28.91%)。 売り手の感情は、主に受け入れと拒絶を駆動し、売り手の感情は譲歩のダイナミクスを形作る。 これらの影響は言語だけでなく、終末行動や価格軌道にも影響を及ぼし、商業における感情調和エージェントに対する懸念を高めた。

関連論文リスト

• Can Induced Emotion Bias LLM Behaviors in Sequential Decision Making? [64.5408523407693]
  大規模言語モデル(LLM)は、高い領域における自律的なエージェントとして、ますます多くデプロイされている。 アイオワ・ギャンブリング・タスクを用いて,誘因的感情が意思決定に影響を及ぼすかどうかを検討する。 人間の感情とは違って、LLMエージェントの意思決定ダイナミクスは平均的に有意な偏見を示さないことが判明した。
  論文  参考訳（メタデータ） (2026-07-14T11:09:51Z)
• EmoDistill: Offline Emotion Skill Distillation for Language Model Agents in Adversarial Negotiation [44.481959726034574]
  言語モデルエージェントに感情交渉スキルを蒸留するオフラインフレームワークである textbfEmoDistill を導入する。 EmoDistillは感情戦略を感情選択と感情表現に分解する。 4つの感情に敏感なネゴシエーションドメインで、EmoDistillフレームワークの下でトレーニングされたSLMポリシーが最も有効である。
  論文  参考訳（メタデータ） (2026-05-26T09:54:53Z)
• Do Emotions in Prompts Matter? Effects of Emotional Framing on Large Language Models [5.079126066502806]
  感情のトーンは人間のコミュニケーションにおいて広まっていますが、大きな言語モデル(LLM)の振る舞いへの影響はいまだ不明です。 本稿では,ユーザ側クエリにおける1対1の感情的フレーミングが,6つのベンチマークドメイン間でのLLM性能に与える影響について検討する。 本稿では,各問合せに対して感情的フレーミングを適応的に選択する適応的感情的促進フレームワークであるEmotionRLを紹介する。
  論文  参考訳（メタデータ） (2026-04-02T16:31:08Z)
• Affective Multimodal Agents with Proactive Knowledge Grounding for Emotionally Aligned Marketing Dialogue [3.780355670921318]
  AffectMindは、感情的アライメントと説得的相互作用を維持するために、積極的な推論と動的知識を基礎とする多モーダル感情対話エージェントである。 実験の結果,AffectMindは感情的一貫性,説得的成功率,長期ユーザエンゲージメントにおいて,強いLCMベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-11-21T04:16:45Z)
• EvoEmo: Towards Evolved Emotional Policies for Adversarial LLM Agents in Multi-Turn Price Negotiation [61.627248012799704]
  既存のLarge Language Models (LLM)エージェントは、そのような交渉における感情の機能的役割をほとんど見落としている。 本稿では,交渉における動的感情表現を最適化する進化的強化学習フレームワークであるEvoEmoを紹介する。
  論文  参考訳（メタデータ） (2025-09-04T15:23:58Z)
• Sentient Agent as a Judge: Evaluating Higher-Order Social Cognition in Large Language Models [75.85319609088354]
  SAGE(Sentient Agent as a Judge)は、大規模言語モデルの評価フレームワークである。 SAGEは人間のような感情の変化や内的思考をシミュレートするSentient Agentをインスタンス化する。 SAGEは、真に共感的で社会的に適応的な言語エージェントへの進捗を追跡するための、原則付き、スケーラブルで解釈可能なツールを提供する。
  論文  参考訳（メタデータ） (2025-05-01T19:06:10Z)
• EmoDebt: Bayesian-Optimized Emotional Intelligence for Strategic Agent-to-Agent Debt Recovery [65.30120701878582]
  大規模言語モデル(LLM)エージェントは、負債収集のような感情に敏感なドメインの悪用に対して脆弱である。 EmoDebtは、ネゴシエーションにおける感情を表現するモデルの能力を、シーケンシャルな意思決定問題として再設計する感情インテリジェンスエンジンである。 EmoDebtは重要な戦略的堅牢性を実現し、非適応性と感情に依存しないベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-03-27T01:41:34Z)
• Think out Loud: Emotion Deducing Explanation in Dialogues [57.90554323226896]
  対話における感情推論(Emotion Deducing Explanation in Dialogues)を提案する。 EDENは感情と原因を明確な考え方で認識する。 大規模言語モデル(LLM)が感情や原因をよりよく認識するのに役立ちます。
  論文  参考訳（メタデータ） (2024-06-07T08:58:29Z)
• CauESC: A Causal Aware Model for Emotional Support Conversation [79.4451588204647]
  既存のアプローチは、苦痛の感情の原因を無視します。 彼らは、話者間の相互作用における感情的ダイナミクスよりも、探究者自身の精神状態に焦点を当てている。 本稿では、まず、苦痛の感情要因と、その原因によって引き起こされる感情効果を認識する新しいフレームワークCauESCを提案する。
  論文  参考訳（メタデータ） (2024-01-31T11:30:24Z)
• Emotionally Numb or Empathetic? Evaluating How LLMs Feel Using EmotionBench [83.41621219298489]
  心理学からの感情評価理論を用いて,Large Language Models (LLMs) の人為的能力を評価する。 我々は、研究の中心となる8つの感情を引き出すのに有効な400以上の状況を含むデータセットを収集した。 我々は世界中の1200人以上の被験者を対象に人間による評価を行った。
  論文  参考訳（メタデータ） (2023-08-07T15:18:30Z)
• Large Language Models Understand and Can be Enhanced by Emotional Stimuli [53.53886609012119]
  我々は、感情的な刺激を理解するために、大規模言語モデルの能力を探究する第一歩を踏み出す。 実験の結果,LLMは感情的知能を把握でき,その性能は感情的刺激によって改善できることがわかった。 EmotionPromptが生成タスクの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-07-14T00:57:12Z)
• Emotion Flip Reasoning in Multiparty Conversations [27.884015521888458]
  Instigator based Emotion Flip Reasoning (EFR) は、会話の中で話者の感情のフリップの背後にある侵入者を特定することを目的としている。 本報告では,感情心理学に則った基盤構造ERFインスティゲータラベルを含むデータセットであるMELD-Iについて述べる。 我々は,TransformerエンコーダとスタックGRUを利用して対話コンテキストをキャプチャする,TGIFと呼ばれる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-24T13:22:02Z)

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。