論文の概要: Tipping Points in LLM-Based Multi-Agent Systems: Stance on Climate Change Action
- arxiv url: http://arxiv.org/abs/2609.25432v1
- Date: Mon, 21 Sep 2026 21:33:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.121033
- Title: Tipping Points in LLM-Based Multi-Agent Systems: Stance on Climate Change Action
- Title（参考訳）: LLMに基づくマルチエージェントシステムにおけるTip Points:気候変動対策
- Abstract要約: 我々はエージェント・ベース・モデルを用いて、マイクロ・ソサイエティの社会的ダイナミクスの転換点を求める。
この簡単なモデルでは,気候変動姿勢の急激な変化が生じることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Because significant action to counter global warming requires massive public support, it is important to understand the dynamics of public opinion on climate issues. Of special interest are social tipping points, as revealed by large-scale effects of small perturbations in individual behaviors. Agent-based models (ABM) are an effective computational tool for studying these matters, because they allow controlled and systematic exploration of the effects of interventions that may be infeasible in real-world social systems. Large language models (LLMs) have been used to endow model agents with the ability to communicate in natural language (rather than by exchanging predefined messages), as well as with personality (in the form of a narrative self and episodic memory). We leverage LLM-powered ABM to look for tipping points in the social dynamics of a micro-society in which some of the discussions are about climate change. Our agents' stance was defined by two variables: the strength of conviction about the urgency of climate action and the degree of trust in existing institutions. We quantified shifts in agents' "beliefs" by monitoring, across multiple rounds of conversations, (1) inter-agent distances in this two-dimensional stance space and (2) the patterns of discussion topics as modeled by Latent Dirichlet Allocation (LDA). Our findings to date suggest that significant abrupt changes in climate-change stance do occur in this simple model. We report a number of methodological lessons from this study, notably, the need to prevent LLM biases from interfering with the conversational dynamics and, more generally, to maintain agent personality and episodic memories of interactions in the face of such biases. Resolving these issues may allow for using ABM-derived insights in designing real-life interventions vis-a-vis climate change and other important societal challenges.
- Abstract（参考訳）: 地球温暖化対策には大規模な公的支援が必要であるため、気候変動問題に対する世論のダイナミクスを理解することが重要である。
個々の行動における小さな摂動による大規模な影響によって明らかになったように、特に興味深いのは、社会的転換点である。
エージェントベースモデル(ABM)は、現実世界の社会システムでは不可能な介入の効果の制御と体系的な探索を可能にするため、これらの問題を研究するための効果的な計算ツールである。
大規模言語モデル(LLM)は、自然言語でコミュニケーションする能力(事前に定義されたメッセージの交換ではなく)と人格(物語的自己と叙述的記憶の形で)をモデルエージェントに与えるために使われてきた。
LLMを利用したABMを利用して、気候変動に関する議論がいくつかあるマイクロ社会の社会的ダイナミクスの転換点を探す。
我々のエージェントのスタンスは、気候行動の緊急性に関する信念の強さと、既存の機関に対する信頼度という2つの変数によって定義された。
エージェントの「信念」の変化を,(1)この2次元スタンス空間におけるエージェント間距離,(2)ラテント・ディリクレ・アロケーション(LDA)をモデルとした議論トピックのパターンのモニタリングによって定量化した。
この簡単なモデルでは, 気候変動姿勢の急激な変化が生じることが示唆された。
本研究から得られた多くの方法論的教訓,特に,LLMバイアスが会話力学に干渉するのを防ぐ必要性,さらに一般的には,そのようなバイアスの面におけるエージェントの性格とエピソード的相互作用の記憶を維持する必要性について報告する。
これらの問題を解決することで、ABMが生み出す現実的な介入や気候変動、その他の重要な社会的課題をデザインする上での洞察が利用できるようになるかもしれない。
関連論文リスト
- Belief Cascades Drive Persuasion in LLM Agent Networks [71.17605142402785]
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。
論文 参考訳（メタデータ） (2026-08-25T21:01:19Z) - Addressing Climate Action Misperceptions with Generative AI [0.0]
気候に敏感な人でさえ、どの行動が二酸化炭素排出量を最も減少させるかについての誤解を抱くことが多い。
気候知識を備えた大規模言語モデル(LLM)による気候行動の議論が,より正確な知覚を促進するかどうかを検討するため,1201名の気候意識者を募集した。
パーソナライズされた気候 LLM は、気候行動の影響に関する知識が増大し、影響のある行動を採用する意図が強まった唯一の条件であった。
論文 参考訳（メタデータ） (2026-02-26T03:03:01Z) - Disagreements in Reasoning: How a Model's Thinking Process Dictates Persuasion in Multi-Agent Systems [49.69773210844221]
本稿では,説得力はモデルスケールの関数である,という一般的な仮説に挑戦する。
一連のマルチエージェントの説得実験を通じて、パーサーション・デュナリティ(Persuasion Duality)と呼ばれる基本的なトレードオフを明らかにする。
以上の結果から, LRMの推理過程は説得に対する抵抗性が大きく, 当初の信念をより堅固に維持していることが明らかとなった。
論文 参考訳（メタデータ） (2025-09-25T12:03:10Z) - Modeling the Impact of Group Interactions on Climate-related Opinion Change in Reddit [0.0]
ソーシャルメディアプラットフォーム上での会話スレッドに固有のグループダイナミクスを捉えた時間的ハイパーグラフモデルを提案する。
このモデルは、個々のユーザーレベルでの気候問題に対する姿勢の時間的変化を予測する。
その結果,ハイパーグラフによるグループ間相互作用のモデル化は,意見形成の微視的ダイナミクスの予測に優れていた。
論文 参考訳（メタデータ） (2025-05-05T19:35:25Z) - Emergence of human-like polarization among large language model agents [79.96817421756668]
我々は、何千もの大規模言語モデルエージェントを含むネットワーク化されたシステムをシミュレートし、それらの社会的相互作用を発見し、人間のような偏極をもたらす。
人間とLLMエージェントの類似性は、社会的分極を増幅する能力に関する懸念を提起するだけでなく、分極を緩和するためのもっともらしい戦略を識別するための貴重なテストベッドとして機能する可能性も持っている。
論文 参考訳（メタデータ） (2025-01-09T11:45:05Z) - 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) - AntEval: Evaluation of Social Interaction Competencies in LLM-Driven
Agents [65.16893197330589]
大規模言語モデル(LLM)は、幅広いシナリオで人間の振る舞いを再現する能力を示した。
しかし、複雑なマルチ文字のソーシャルインタラクションを扱う能力については、まだ完全には研究されていない。
本稿では,新しいインタラクションフレームワークと評価手法を含むマルチエージェントインタラクション評価フレームワーク(AntEval)を紹介する。
論文 参考訳（メタデータ） (2024-01-12T11:18:00Z) - Assessing Large Language Models on Climate Information [5.034118180129635]
本稿では,Large Language Models (LLMs) を評価するための,科学コミュニケーション研究を基盤とした総合的な評価フレームワークを提案する。
本フレームワークは,8次元と30の課題にまたがるLLM世代を詳細に解析し,提示応答と妥当性の両方を強調した。
スケーラブルな監視のための新しいプロトコルを導入し、AIアシストと関連する教育のレーダに依存します。
論文 参考訳（メタデータ） (2023-10-04T16:09:48Z) - HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。
コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。
私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
論文 参考訳（メタデータ） (2020-10-08T15:16:16Z)
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。