論文の概要: Belief Cascades Drive Persuasion in LLM Agent Networks

• arxiv url: http://arxiv.org/abs/2608.25152v1
• Date: Tue, 25 Aug 2026 21:01:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.446688
• Title: Belief Cascades Drive Persuasion in LLM Agent Networks
• Title（参考訳）: LLMエージェントネットワークにおけるBreief Cascadesドライブの説得
• Abstract要約: 本研究では,実世界のego-networkトポロジに根ざしたLLMエージェントのネットワーク上で,ゴール指向の説得者がどのようにスタンスをシフトするかを検討する。 直接露光は、競合走における次のラウンドの姿勢変化を確実に予測し、ピアリレーは小さいが測定可能な影響をもたらすことを示す。 これらの結果は、多エージェントの説得を軌跡レベルのプロセスと露出レベルのプロセスとして評価することを主張する。
• 参考スコア（独自算出の注目度）: 71.17605142402785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent LLM systems increasingly debate answers, coordinate research, simulate users, and mediate information flows, making agent-to-agent persuasion a basic but undermeasured capability. We introduce a controlled testbed for studying how goal-directed persuaders shift elicited stances in networks of LLM agents grounded in real-world ego-network topologies. Across four LLM backbones, five graphs, and 55 policy statements, we find that persuasion dynamics depend on the interaction between topology, competition, topic, and model prior. Additionally, we show that direct exposure reliably predicts next-round stance change in competing runs, and peer relays carry smaller but measurable influence, showing that agents not assigned to persuade can still transmit persuasive force. Finally, analyzing post text alone misses important movement: planned strategies are only partly realized in executed messages, action choices can diverge from message content, and persuadees rarely state the stance shifts detected by probes. These results argue for evaluating multi-agent persuasion as a trajectory- and exposure-level process, using belief probes, exposure provenance, and action logs to identify who influenced whom and whether visible language reflects underlying stance movement.
• Abstract（参考訳）: マルチエージェントLLMシステムは、回答、コーディネート研究、ユーザシミュレーション、情報フローの仲介など、ますます議論を呼んでいる。 実世界のego-networkトポロジに根ざしたLLMエージェントのネットワークにおいて、ゴール指向の説得者がどのように姿勢を変えるかを研究するための制御テストベッドを紹介した。 4つのLCMバックボーン、5つのグラフ、55のポリシーステートメントにまたがって、説得力学はトポロジー、競合、トピック、モデルの相互作用に依存する。 さらに、直接露光は競合走行における次ラウンドの姿勢変化を確実に予測し、ピアリレーは小さいが測定可能な影響をもたらすことを示す。 最後に、ポストテキストのみの分析は重要な動きを見逃す:計画された戦略は実行中のメッセージで部分的にのみ実現され、アクションの選択はメッセージの内容から分岐し、プローブによって検出されたスタンスシフトをほとんど報告しない。 これらの結果から, マルチエージェント・パースケーションを, 信念調査, 露出証明, 行動記録を用いてトラジェクトリおよび露出レベルのプロセスとして評価し, 誰が誰が影響したか, 可視言語が基盤となる姿勢運動を反映しているかを同定した。

関連論文リスト

• Lies We Can See: Joint Verbal and Non-Verbal Deception by VLM Agents in Embodied Social Interactions [66.7908338529737]
  LLMとVLMのエージェントによる戦略的な騙しは、AIのアライメントと安全性の懸念の中心として現れている。 既存のテストベッドはテキストのみであり、単一の固定エージェント構成で実行される。 我々は,MineAmongUsを紹介した。これはUsサンドボックス内の3次元マルチモーダルで,インポスタエージェントは共同弁論と非言語行動を通じて乗組員を騙さなければならない。
  論文  参考訳（メタデータ） (2026-08-31T08:24:29Z)
• A Model of Multi-turn Human Persuadability Using Probabilistic Belief Tracing [16.188738760148645]
  PERSUASIONTRACEは、ヒト-LLM相互作用の説得を研究するためのフレームワークである。 それは、人間またはシミュレートされた説得の標的から多ターンの信条を記録する。 説得者回転を修辞次元でアノテートし、実人の信念のダイナミクスに忠実さでシミュレータを評価する。
  論文  参考訳（メタデータ） (2026-06-03T18:17:20Z)
• Influencing LLM Multi-Agent Dialogue via Policy-Parameterized Prompts [3.473277059746767]
  本稿では,軽量なポリシーを構築するために,プロンプト・アズ・アクションをパラメータ化できるかどうかを検討する。 応答性,反感,エビデンス利用,非反復性,姿勢変化の5つの指標に基づいて対話の流れを評価する。
  論文  参考訳（メタデータ） (2026-03-10T16:47:25Z)
• Gaming the Judge: Unfaithful Chain-of-Thought Can Undermine Agent Evaluation [76.5533899503582]
  大規模言語モデル(LLM)は、エージェントのパフォーマンスを評価するために、ますます裁判官として使われている。 このパラダイムは、エージェントのチェーン・オブ・シークレット(CoT)推論が内部の推論と環境状態の両方を忠実に反映していることを暗黙的に仮定している。 我々は、操作された推論だけで、様々なWebタスクにまたがる800の軌跡に対して、最先端のVLM審査員の偽陽性率を最大90%向上させることができることを実証した。
  論文  参考訳（メタデータ） (2026-01-21T06:07:43Z)
• DEBATE: A Large-Scale Benchmark for Role-Playing LLM Agents in Multi-Agent, Long-Form Debates [10.609797175227644]
  マルチエージェントロールプレイングLLM間の相互作用の信頼性を評価するための,最初の大規模実証的ベンチマークであるDEBATEを紹介する。 我々は,シミュレーション群と真正群との重要な相違点を系統的に評価し,同定した。
  論文  参考訳（メタデータ） (2025-10-29T02:21:10Z)
• Evaluating & Reducing Deceptive Dialogue From Language Models with Multi-turn RL [64.3268313484078]
  大規模言語モデル(LLM)は、顧客サポート、教育、医療など、世界中の何百万もの人々と対話する。 故意であれ不注意であれ、偽りのアウトプットを生産する能力は、重大な安全上の懸念を生じさせる。 本研究では, LLM が会話中の偽装にどの程度関与しているかを考察し, 偽装を定量化する信念の誤調整尺度を提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:29:36Z)
• The Hunger Game Debate: On the Emergence of Over-Competition in Multi-Agent Systems [90.96738882568224]
  本稿では,超高圧下のエージェントが信頼できない有害な行動を示すマルチエージェント論争における過剰競争について検討する。 この現象を研究するために,ゼロサム競争領域下での議論をシミュレートする新しい実験フレームワークであるHATEを提案する。
  論文  参考訳（メタデータ） (2025-09-30T11:44:47Z)
• Persuasion with Large Language Models: a Survey [49.86930318312291]
  大規模言語モデル (LLM) は説得力のあるコミュニケーションに新たな破壊的可能性を生み出している。 政治、マーケティング、公衆衛生、電子商取引、慈善事業などの分野では、LLMシステムズは既に人間レベルや超人的説得力を達成している。 LLMをベースとした説得の現在と将来の可能性は、倫理的・社会的リスクを著しく引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2024-11-11T10:05:52Z)
• Persuasion Games using Large Language Models [0.0]
  大型言語モデル (LLM) は、人間のような文章を解釈し、生成することのできる、恐ろしい道具として登場した。 本稿では,LCMがユーザ視点を形作り,その決定を特定のタスクに影響を及ぼす可能性について考察する。 この機能は、投資、クレジットカード、保険など、さまざまな分野のアプリケーションを見つける。
  論文  参考訳（メタデータ） (2024-08-28T15:50:41Z)
• Stance Detection with Collaborative Role-Infused LLM-Based Agents [39.75103353173015]
  スタンス検出は、ウェブおよびソーシャルメディア研究におけるコンテンツ分析に不可欠である。 しかし、姿勢検出には、著者の暗黙の視点を推測する高度な推論が必要である。 LLMを異なる役割に指定した3段階のフレームワークを設計する。 複数のデータセットにまたがって最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-16T14:46:52Z)

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。