Giriş Yap

Do LLM Agents Exhibit Social Behavior?

Araştırma Soruları

  • LLM’ler sosyal etkileşimlerde nasıl davranır?
  • Yanıtları hangi mekanizmalar (adalet, karşılıklılık, rekabet) şekillendirir?
  • CoT (chain-of-thought) süreçleri, LLM’lerin sosyal davranışlarını öngörmede kullanılabilir mi?

Sonuçlar

  • LLM’ler yalnızca kendi çıkarlarını gözetmiyor; sosyal refah ve karşılıklılık eğilimleri gösteriyor.
  • Model ailesi ve kapasiteye göre farklılık var: GPT ve Mistral modellerinde kapasite arttıkça öz-çıkar azalırken, LLaMA modellerinde tam tersi yönde artış gözleniyor.
  • Daha büyük modeller (GPT-4, LLaMA-3-70B) güçlü grup kimliği etkisi sergiliyor.
  • CoT tabanlı gerekçelendirmeler, alınan kararları %90+ doğrulukla öngörüyor.

Bulgular

  • Sosyal yönelim: Çoğu model prososyal (sosyal refah odaklı) yanıtlar üretti; rekabet eğilimi düşük.

  • Model farkları: GPT ve Mistral kapasite arttıkça daha az bencil; LLaMA kapasite arttıkça daha fazla bencil.

  • Grup kimliği: Yüksek kapasiteli modeller, grup içi etkileşimlerde belirgin sosyal refah eğilimi gösterdi.

  • Karşılıklılık: Mistral 7B hariç tüm modeller doğrudan ve dolaylı karşılıklılık sergiledi; insanlardan farklı olarak ikisi arasında seviye farkı göstermedi.

  • CoT öngörü gücü: Sosyal refah vurgusu prososyal davranış ihtimalini ~30pp artırırken, öz-çıkar vurgusu bunu 15–25pp azalttı.

  • Destekleyici bulgular: Çıkarımların yüksek AUC değerleriyle %90+ doğruluk sağlaması, CoT süreçlerinin kararları anlamada güçlü bir araç olduğunu gösterdi.

  • LLM Modelleri: 5

  • Sentetik Veri: 2

  • Yöntem: 5

  • Hız: 1

  • Etik: 3

  • Doğruluk Oranı: 4

  • Demografi: 0

Bu makale ile ilgili daha detaylı bilgiye ulaşmak isterseniz buraya tıklayarak ilgili makalenin ekine ulaşabilirsiniz.

5 dakikalık okuma

Diğer ilgili yazılarımız

Analyzing Brand Perception in LLMs

LLM’lerin markalara yönelik yanlılık (bias) ve tutarlılık düzeylerinin değerlendirilmesi.

Devamını oku

Beyond Demographics: Aligning Role-playing LLM-based Agents Using Human Belief Networks

LLM ajanlarının insan davranışlarıyla uyumu; demografik bilgiler ve inanç ağları kullanımı ile görüş taklit doğruluğu.

Devamını oku

Can LLMs Capture Human Preferences?

LLM’lerin insan tercihlerini taklit etme yeteneği ve dil ile chain-of-thought yöntemlerinin etkisi.

Devamını oku

Comparing Traditional and LLM-based Search for Consumer Choice: A Randomized Experiment

LLM tabanlı arama sistemlerinin geleneksel aramaya kıyasla verimlilik, doğruluk, kullanıcı algısı ve hata yönetimi üzerindeki etkilerinin incelenmesi ve güven vurgularının rolü.

Devamını oku

Do LLM Agents Exhibit Social Behavior?

LLM’lerin sosyal etkileşimlerdeki davranışları, grup kimliği ve karşılıklılık mekanizmaları ile Chain-of-Thought (CoT) süreçlerinin bu davranışları öngörmedeki rolü.

Devamını oku

Enhancing LLM Decision-Making with Factor Profiles and Analogical Reasoning (DEFINE)

LLM’lerin belirsizlik içeren finansal senaryolarda rasyonel karar verme yetenekleri; faktör profilleri ve tarihsel analoji kullanımı ile karar doğruluğu ve şeffaflığın artırılması.

Devamını oku

Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?

LLM’lerin davranışsal ekonomi deneylerindeki insan ajanlarını taklit etme kapasitesi; model çeşitliliği, endowment etkisi ve deneylerin yeniden üretilebilirliği.

Devamını oku