論文の概要: Agent Sociodrama: Social-Dynamics-Guided Persona Recasting for LLM Agent Teams

• arxiv url: http://arxiv.org/abs/2610.15788v1
• Date: Sun, 11 Oct 2026 17:23:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.248916
• Title: Agent Sociodrama: Social-Dynamics-Guided Persona Recasting for LLM Agent Teams
• Title（参考訳）: エージェントソシオドラマ : LLMエージェントチームのためのソーシャルダイナミクスによるペルソナリキャスト
• Abstract要約: 大規模言語モデル(LLM)エージェントは、チームとしてますますデプロイされるが、特有の社会的方法で失敗する。 LLMエージェントチームにおけるソーシャルダイナミクスのモデリングと検証のためのフレームワークであるAgens Sociodramaを提案する。
• 参考スコア（独自算出の注目度）: 25.263624993083017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents are increasingly deployed as teams, yet they fail in characteristically social ways: information holders stay silent, dominant speakers anchor groups on wrong answers, and norm violations go unsanctioned. We present Agent Sociodrama, a framework for modeling and validating evolving social dynamics in LLM agent teams. Under fixed personas, agents' emotional states and directed, asymmetric relationships are updated every round by a unified external LLM judge and shape their subsequent interactions. Across six LLM backbones and five social scenarios, we assess social fidelity through classical social-theory patterns and agreement with human judgments. The resulting trajectories exhibit structured social patterns and model-specific differences. We then introduce Trajectory-Guided Persona Recasting (TPR), which diagnoses group-dynamic failures from interaction transcripts and social trajectories and recasts agent personas before rerunning the task. Across four collaborative benchmarks, TPR improves performance from both heterogeneous and randomly initialized agent persona compositions, yielding up to 83.3%p of accuracy improvement over the initial casting. On representative distributed-information cooperation and mixed-motive bargaining tasks, we outperform SOTOPIA and AgentVerse in three of four comparisons, by up to 37.5%p in Pareto rate. These results show that validated social trajectories provide actionable signals for repairing LLM agent teams.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、チームとしてますますデプロイされているが、情報保持者が沈黙を保ち、支配的な話者が間違った答えにグループをアンカーし、規範違反が無罪となるという、特徴的な社会的方法で失敗する。 エージェント・ソシオドラマ(Agens Sociodrama)は、LLMエージェントチームにおける進化する社会的ダイナミクスをモデル化し、検証するためのフレームワークである。 固定されたペルソナ、エージェントの感情状態、指示された非対称な関係は、統一された外部LLM判定器によって各ラウンドごとに更新され、その後の相互作用を形成する。 6つのLCMバックボーンと5つの社会的シナリオにまたがって、古典的な社会的理論パターンと人間の判断との一致を通して社会的忠実さを評価する。 結果として得られた軌道は、構造化された社会パターンとモデル固有の相違を示す。 次に,TPR(Trajectory-Guided Persona Recasting)を導入し,インタラクション記述や社会的軌跡から集団的障害を診断し,タスクの再実行前にエージェントペルソナをリキャストする。 4つの共同ベンチマークで、TPRは異種およびランダムに初期化されたエージェントペルソナの組成から性能を改善し、初期鋳造よりも83.3%の精度向上を達成した。 SOTOPIAとAgentVerseを3つの比較で最大37.5%のパレートで比較した。 これらの結果から,LLMエージェントチームの修復に有効な信号が得られた。

関連論文リスト

• Playing social deduction games with reinforcement fine-tuned large language models [64.06016482055172]
  強化微調整(Reinforcement fine-tuning, RFT)は、大規模な言語モデルが人間や他のエージェントと相互作用するアプリケーションにおいて、ますます使われている。 我々は、RFTが大規模言語モデルの社会行動をどのように変化させるかを研究するために、社会的推論ゲームを使用します。
  論文  参考訳（メタデータ） (2026-10-03T03:37:15Z)
• LLawCo: Learning Laws of Cooperation for Modeling Embodied Multi-Agent Behavior [51.25229110468212]
  分散化された環境で活動する身体的エージェントは、しばしばパートナーと不整合または環境状態に不整合な行動を示す。 我々は,実施エージェントがパートナーとタスクの目的の両方を自律的に整合させることができる新しい枠組みであるLearning Laws of Cooperationを提案する。 我々のフレームワークは、エージェントが過去の失敗を反映して、不整合な行動パターンを抽出し、"必要であれば話す"や"パートナーを待つ"といったハイレベルな行動法則を導出することを可能にする。
  論文  参考訳（メタデータ） (2026-06-26T15:26:12Z)
• Consistently Simulating Human Personas with Multi-Turn Reinforcement Learning [52.07170679746533]
  大規模言語モデル(LLM)は、セラピー、教育、社会的役割プレイといったインタラクティブな環境において、人間のユーザをシミュレートするためにますます使われています。 LLM生成対話におけるペルソナの一貫性の評価と改善のための統一的なフレームワークを提案する。 我々は3つの自動メトリクス、即行一貫性、行間一貫性、Q&A一貫性を定義し、異なるタイプのペルソナドリフトをキャプチャし、それぞれが人間のアノテーションに対して検証する。
  論文  参考訳（メタデータ） (2025-10-31T19:40:41Z)
• LLMs Can't Handle Peer Pressure: Crumbling under Multi-Agent Social Interactions [35.71511502901056]
  大規模言語モデル(LLM)は、コラボレーションインテリジェンスのコンポーネントとして、マルチエージェントシステムにますます多くデプロイされている。 LLMが過去の印象からの信頼をいかに形成し、誤報に抵抗し、相互作用中にピアインプットを統合するかを検討する。 KAIROSは、クイズコンテストをシミュレーションするベンチマークで、信頼性の異なるピアエージェントを提示する。
  論文  参考訳（メタデータ） (2025-08-24T09:58:10Z)
• 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)
• HiddenBench: Assessing Collective Reasoning in Multi-Agent LLMs via Hidden Profile Tasks [12.203366267017737]
  マルチエージェント LLM における集合的推論を評価するための最初のベンチマークである HiddenBench を紹介する。 ベンチマークを基礎として,このパラダイムをカスタムタスクで形式化し,GPT-4.1グループが分散知識の統合に失敗したことを示す。 次に、カスタムデザイン、先行研究、自動生成から引き出された65のタスクにまたがる完全なベンチマークを構築します。
  論文  参考訳（メタデータ） (2025-05-15T19:22:54Z)
• Cultural Evolution of Cooperation among LLM Agents [1.4261864659766343]
  我々は,AIエージェントの「社会的」が,欠陥に対するインセンティブに直面して相互に有益な社会的規範を学習できるかどうかを検討する。 協調の進化は基本モデルによって著しく異なることが判明した。
  論文  参考訳（メタデータ） (2024-12-13T16:45:49Z)
• MetaAgents: Large Language Model Based Agents for Decision-Making on Teaming [27.911816995891726]
  大規模言語モデル(LLM)を用いた社会シミュレーションフレームワークであるMetaAgentsを紹介する。 LLMをベースとしたエージェントのチーム構成とスキルマッチング行動を精査するためのケーススタディとして,ジョブフェア環境を構築した。 評価の結果,LLMをベースとしたエージェントが,効率的なチーム開発に合理的な決定を下す上で有能な役割を担っていることが示された。
  論文  参考訳（メタデータ） (2023-10-10T10:17:58Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)

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。