論文の概要: When Order Matters: First-Speaker Bias and Mitigation through Personality in Sequential Multi-Agent Debate

• arxiv url: http://arxiv.org/abs/2609.38964v1
• Date: Wed, 30 Sep 2026 04:33:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.185707
• Title: When Order Matters: First-Speaker Bias and Mitigation through Personality in Sequential Multi-Agent Debate
• Title（参考訳）: 順序が重要であるとき--系列多言語討論における個人性による話者のバイアスと軽減
• Abstract要約: マルチエージェント論争(MAD)は、大規模言語モデル(LLM)推論を改善するためにしばしば用いられる。 エージェントは、最初に話すときに最終回答を不均等に形成する。 本研究は, 行動介入が強い側, 弱い側, どちらにも適用されるかとして, 一致性と外向性について検討する。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent debate (MAD) is often used to improve large language model (LLM) reasoning, but sequential debate is rarely a neutral aggregator of agents' opinions. We show that sequential MAD suffers from a pronounced first-speaker bias: agents disproportionately shape the final answer when they speak first. As a result, placing a stronger model after weaker ones can substantially offset its reasoning advantage. We then focus on the disadvantaged strong-agent-last setting and ask whether personality prompting can mitigate this imbalance. Drawing on the Big Five model, we study agreeableness and extraversion as behavioral interventions applied to either the strong or weak side. We find that their effects are trait-specific. Influence consistently shifts in the direction of lower agreeableness, and assigning low agreeableness to the stronger agent helps restore its lost influence and improves final accuracy. Extraversion, by contrast, produces less systematic changes in influence and accuracy, with its clearest effect appearing in agents' verbosity. These findings show that effective MAD design depends not only on model capability, but also on how speaking order and induced interaction behavior shape the debate process.
• Abstract（参考訳）: マルチエージェントディベート(MAD)は、大規模言語モデル(LLM)推論を改善するためにしばしば使用されるが、エージェントの意見の中立的なアグリゲータとしてシーケンシャルな議論はめったにない。 エージェントは、最初に話すときに最終回答を不均等に形成する。 結果として、より弱いモデルの後、より強力なモデルを置くことは、その推論上の優位性を著しく相殺することができる。 次に、不利な強いエージェントとラストの設定に注目し、パーソナリティの促進がこの不均衡を緩和できるかどうかを問う。 ビッグファイブモデルに基づいて,強い側,弱い側のいずれかに適用される行動介入として,一致性と外向性について検討した。 それらの効果は特性特異的である。 影響は、一致性の低い方向に一貫して変化し、より強い剤に低一致性の割り当ては、損失した影響を回復し、最終的な精度を向上させる。 対照的に、外転は影響と正確さの体系的な変化を減らし、エージェントの冗長性に最も明確な効果が現れる。 これらの結果から, 効果的なMAD設計は, モデル能力だけでなく, 発話順序や対話行動が議論の過程をどう形成するかにも依存することがわかった。

関連論文リスト

• Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
  セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。 アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。 ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
  論文  参考訳（メタデータ） (2026-04-21T15:05:58Z)
• Learning What to Attend First: Modality-Importance-Guided Reasoning for Reliable Multimodal Emotion Understanding [50.014363382140324]
  モダリティ・コンパタンス(MI)は、感情に支配的なモダリティを識別するためのシンプルで効果的なメカニズムである。 MIGRは推論シーケンスを再編成し、その説明は対象の感情に対して最も重要なモダリティから始まる。 その結果、MIGRは推論信頼性を大幅に改善し、感情的に矛盾した説明を伴う正しい予測の事例を減少させることがわかった。
  論文  参考訳（メタデータ） (2025-12-02T12:29:41Z)
• Towards Scalable Oversight with Collaborative Multi-Agent Debate in Error Detection [81.52796950244705]
  自己診断は、信頼できる外部からのフィードバックがなければ、複雑なタスクでは信頼できない。 我々は,新たなコラボレーティブMADプロトコルであるColMADを導入し,MADを非ゼロ和ゲームとして再構成する。 ColMADは従来の競合MADよりも19%優れていた。
  論文  参考訳（メタデータ） (2025-10-23T19:46:00Z)
• 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)
• Free-MAD: Consensus-Free Multi-Agent Debate [17.384699873512464]
  マルチエージェント討論(MAD)は、大規模言語モデル(LLM)の推論能力を改善するための新しいアプローチである。 既存のMADメソッドは、合意に達するためにエージェント間の複数ラウンドの相互作用に依存しており、最終的な出力は前回のラウンドで多数決によって選択される。 エージェント間のコンセンサスを必要としない新しいMADフレームワークであるtextscFree-MADを提案する。
  論文  参考訳（メタデータ） (2025-09-14T01:55:01Z)
• Talk Isn't Always Cheap: Understanding Failure Modes in Multi-Agent Debate [2.3027211055417283]
  議論は時間の経過とともに精度を低下させる可能性があることを示す。 分析の結果,ピア推論に応答して,モデルが正解から誤解へと頻繁にシフトしていることが判明した。 これらの結果は、マルチエージェントの議論における理由の交換において重要な障害モードを浮き彫りにする。
  論文  参考訳（メタデータ） (2025-09-05T13:47:38Z)
• Debate or Vote: Which Yields Better Decisions in Multi-Agent Large Language Models? [13.569822165805851]
  マルチエージェント・ディベート(MAD)は,大規模言語モデルの性能向上のための,有望なパラダイムとして登場した。 近年の進歩にもかかわらず、MADの有効性を左右する重要な要因はいまだ不明である。 我々はMajority VotingとInter-agent Debateの2つの重要なコンポーネントにMADを分解し、それぞれのコントリビューションを評価する。
  論文  参考訳（メタデータ） (2025-08-24T22:14:32Z)
• Teaching Models to Balance Resisting and Accepting Persuasion [69.68379406317682]
  PBT (Persuasion-Training) は正と負の説得のバランスをとることができる。 PBTにより、より小さな7-8Bモデル間の対話から生成されたデータを使用して、より大規模な70Bモデルのトレーニングを行うことができる。 PBTは, より安定な結果をもたらし, 順序依存の低減につながることが判明した。
  論文  参考訳（メタデータ） (2024-10-18T16:49:36Z)

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。