Araştırma Soruları
- LLM’ler ağ bilimi, evrimsel oyun teorisi, sosyal dinamikler ve salgın modellemesi gibi alanlarda nasıl dönüştürücü bir rol oynar?
- Generative Agent-Based Models (GABMs) çerçevesi karmaşık sistemlerin incelenmesinde nasıl kullanılabilir?
- LLM ajanları, insan benzeri sosyal davranışları ne ölçüde taklit edebilir?
Sonuçlar
- LLM’ler adalet, işbirliği, sosyal normlara uyum gibi insan benzeri davranışlar üretebiliyor.
- Yanıtlar prompt duyarlılığı ve önyargılar nedeniyle tutarsızlık gösterebiliyor.
- LLM ajanları bazı oyunlarda insanlardan daha işbirlikçi veya adil çıktı (örn. Dictator Game, Prisoner’s Dilemma).
- Çoklu ajan sistemlerinde sosyal dinamikler (homofili, tekrar etkileşim eğilimi) ortaya çıktı.
- Çoklu ajan LLM yaklaşımı, tekli ajan mimarisine göre insan davranışıyla çok daha yüksek uyum sağladı (88% vs. 50%).
Bulgular
-
İnsan benzerliği: LLM ajanları ekonomik teorilerle uyumlu davranışlar sergiledi (talep eğrisi, azalan marjinal fayda).
-
Tutarsızlık ve önyargılar: İsim ve cinsiyet gibi anlamsız değişkenler bile kararları etkileyebildi.
-
Rasyonellik farkı: LLM’ler insanlara göre daha adil (Dictator Game) ve daha işbirlikçi (Prisoner’s Dilemma %65 vs. insan %37).
-
Bağlam etkisi: Sağlık bilgisi verilen epidemik modellerde evde kalma eğilimi arttı; topluluk verisi sağlandığında sosyal etkileşim daha da azaldı.
-
Çoklu ajan avantajı: Ultimatum Game’de çoklu LLM sistemleri insan davranışını %88 oranında yakaladı.
-
LLM Modelleri: 5
-
Sentetik Veri: 4
-
Yöntem: 5
-
Hız: 2
-
Etik: 2
-
Doğruluk Oranı: 4
-
Demografi: 2
Bu makale ile ilgili daha detaylı bilgiye ulaşmak isterseniz buraya tıklayarak ilgili makalenin ekine ulaşabilirsiniz.