Synthetic Consumer LabSynthetic Consumer Lab
Makale özeti — 5 dk okuma

Karmaşık sistemler için LLM’ler ve üretken ajan tabanlı modeller

GABM'lerle karmaşık sosyal dinamiklerin modellenmesi; insan benzeri davranış taklidi.

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.

Puanlar

  • 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.

Kaynağın tam metni ← Tüm makaleler