論文の概要: GenAI as an 'Invisible Hand' in Opinion Dynamics: Evidence from a Group-Level Simulation Study
- arxiv url: http://arxiv.org/abs/2610.37689v1
- Date: Sun, 18 Oct 2026 08:41:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 06:06:26.164857
- Title: GenAI as an 'Invisible Hand' in Opinion Dynamics: Evidence from a Group-Level Simulation Study
- Title（参考訳）: 視線力学における「見えない手」としてのGenAI--グループレベルシミュレーション研究から
- Abstract要約: 本稿では,50の議論を巻き起こした5万件のグループディスカッションを含むシミュレーションの結果を報告する。
モデルが非中立的姿勢を採用すると、プロファイル固有のパーソナライゼーションがLLMの影響を増大させることがわかった。
我々は、どのように、なぜ、いつ、AI関連の特徴と社会的構成が集団的意見形成を共同で形成するかを特定できる仮説のセットを生成する。
- 参考スコア（独自算出の注目度）: 1.143498094481099
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Recent arguments suggest that genAI can act as an invisible hand that gradually shapes social structures, such as collective beliefs and norms. The argument is that if millions of people repeatedly consult genAI tools, their generated outcomes quietly shape what becomes acceptable, reasonable or conventional. We study this in the context of collective opinion dynamics, i.e., how groups form opinions around controversial dynamics. We present the findings of a simulation including 50,000 group discussions across 50 controversial statements, three LLMs, and different social configurations. We vary two characteristics of LLM interaction-agreeableness and personalization-and compare the influence of genAI in homogeneous and heterogeneous groups. Our findings indicate that profile-specific personalization increases LLM influence when models adopt a non-neutral stance, i.e., when they agree or disagree with the user. Furthermore, we find that neutral LLMs have a stronger effect in homogeneous groups. Based on our simulation, we generate a set of hypotheses to specify how, why and when AI-related features and social configurations jointly shape collective opinion making.
- Abstract（参考訳）: 近年の議論では、genAIは集団的信念や規範などの社会構造を徐々に形作る、目に見えない手として機能することを示唆している。
何百万人もの人が繰り返しGenAIツールを参考にすると、その成果はひっそりと受け入れられ、合理的、あるいは従来のものとなる。
我々はこれを、集団的意見力学の文脈、すなわち、グループがどのように議論の的となるダイナミクスに関する意見を形成するかで研究する。
本稿では,50の議論を巻き起こした5万件のグループディスカッション,3つのLDM,異なる社会的構成を含むシミュレーションの結果を紹介する。
我々は,LLMの相互作用認識性とパーソナライゼーションの2つの特性を変化させ,同種群と異種群におけるgenAIの影響を比較した。
本研究は,モデルが非中立的姿勢を採用する場合,すなわちユーザと同意あるいは同意しない場合には,プロファイル固有のパーソナライゼーションがLLMの影響を増大させることを示唆する。
さらに、中性LLMは同質群においてより強い効果を持つことがわかった。
シミュレーションに基づいて、AI関連の特徴と社会的構成が集団的意見形成を共同で形成する方法について、なぜ、いつ、いつ、という一連の仮説を生成する。
関連論文リスト
- Persuasive and Compliant Tendencies Predict Group Decision-Making in Humans and Language Models [65.21691850622413]
大規模言語モデル(LLM)は、人間との集団意思決定にますます関与している。
本稿では,各モデルの説得性およびコンプライアンス傾向を測定するための質問紙ベースのフレームワークであるDecisionQEを紹介する。
より強い説得傾向はグループの結果を著しく改善しないが、コンプライアンス指向モデルは協調においてより安定した優位性を示す。
論文 参考訳（メタデータ） (2026-08-08T15:50:56Z) - Network Effects and Agreement Drift in LLM Debates [0.0]
大規模言語モデル(LLM)は、人間のような社会的行動をシミュレートする前例のない能力を示した。
本稿では,複数ラウンドの議論においてLLMエージェントが集合的にどのように振る舞うかを検討するために,制御されたホモフィリとクラスサイズを持つネットワーク生成モデルを用いる。
論文 参考訳（メタデータ） (2026-04-13T11:16:58Z) - Us-vs-Them bias in Large Language Models [0.569978892646475]
基礎的大言語モデル間で、一貫した内集団陽性および外集団陰性な関連を見いだす。
調査対象者は,保守的ペルソナは対人関係が強く,リベラルなペルソナは対人関係が強かった。
論文 参考訳（メタデータ） (2025-12-03T07:11:22Z) - Social Simulations with Large Language Model Risk Utopian Illusion [61.358959720048354]
社会シミュレーションにおける大規模言語モデルの行動分析のための体系的枠組みを提案する。
本手法は,チャットルーム型会話を通してマルチエージェントインタラクションをシミュレートし,5つの言語的側面にわたって解析する。
以上の結果から,LSMは真の人間の行動を忠実に再現するのではなく,過度に理想化されたバージョンを反映していることが明らかとなった。
論文 参考訳（メタデータ） (2025-10-24T06:08:41Z) - To Mask or to Mirror: Human-AI Alignment in Collective Reasoning [8.009150856358755]
大規模言語モデル(LLM)は、集団的な意思決定をモデル化し、拡張するためにますます使われている。
集合的アライメントを評価するための実証的枠組みを提案する。
集合的推論における人間とAIのアライメントは、文脈、手がかり、モデル固有の帰納バイアスに依存することを実証的に実証する。
論文 参考訳（メタデータ） (2025-10-02T11:41:30Z) - Deep Binding of Language Model Virtual Personas: a Study on Approximating Political Partisan Misperceptions [13.929713456538932]
本稿では,マルチターンインタビュー文として生成した合成ユーザ"バックストリー"を用いた仮想ペルソナ構築手法を提案する。
本研究の背景には,ヒトの反応分布を忠実に再現した仮想的ペルソナと,グループ内・グループ外バイアスのオリジナルの研究で観察されたものと密に一致した効果の大きさが示されている。
論文 参考訳（メタデータ） (2025-04-16T00:10:34Z) - 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) - On the steerability of large language models toward data-driven personas [98.9138902560793]
大規模言語モデル(LLM)は、特定のグループや集団の意見が不足している偏りのある応答を生成することが知られている。
本稿では, LLM を用いて特定の視点の制御可能な生成を実現するための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-11-08T19:01:13Z) - Whose Opinions Do Language Models Reflect? [88.35520051971538]
質の高い世論調査と関連する人的反応を利用して,言語モデル(LM)に反映された意見を検討する。
我々は、現在のLMが反映している見解と、アメリカの人口集団の見解の間にかなりの不一致を見出した。
我々の分析は、人間のフィードバック調整されたLMの左利き傾向に関する事前の観察を裏付けるものである。
論文 参考訳（メタデータ） (2023-03-30T17:17:08Z) - Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome
Homogenization? [90.35044668396591]
機械学習における繰り返しのテーマはアルゴリズムによるモノカルチャーである。同じシステム、またはコンポーネントを共有するシステムは、複数の意思決定者によってデプロイされる。
意思決定者がトレーニングデータや特定のモデルなどのコンポーネントを共有すれば、より均一な結果が得られます。
我々はこの仮説をアルゴリズムフェアネスベンチマークで検証し、トレーニングデータの共有がホモジェナイゼーションを確実に悪化させることを示した。
結果の均質化に関する哲学的分析と社会的な課題を、デプロイされた機械学習システムに含めることに着目して結論付ける。
論文 参考訳（メタデータ） (2022-11-25T09:33:11Z)
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。