🌀 nonlinear sciences

Learning dynamics from online-offline systems of LLM agents

تقترح هذه الورقة وتتحقق من صحة نموذج قائم على الوكلاء عشوائي وتقريبه عبر معادلة تفاضلية للمجال المتوسط لإثبات أن الديناميكيات المعقدة لانتشار المعلومات عبر الإنترنت بين وكلاء النماذج اللغوية الكبيرة ذوي الشخصيات المتنوعة يمكن وصفها بفعالية من خلال نموذج "المعرض للعدوى-المصاب" (SI) مبسط ذي معدلي انتقال.

المؤلفون الأصليون: Moyi Tian, George Mohler, P. Jeffrey Brantingham, Nancy Rodríguez

نُشر 2026-03-02

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Moyi Tian, George Mohler, P. Jeffrey Brantingham, Nancy Rodríguez

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل ساحة مدينة رقمية عملاقة، حيث لا يوجد بشر حقيقيون، بل الجميع عبارة عن روبوتات ذكاء اصطناعي (تحديداً نماذج لغوية كبيرة أو LLM). هذه الروبوتات متصلة ببعضها البعض مثل الأصدقاء على منصات التواصل الاجتماعي. بعض الروبوتات ثرثارة وتتحمس لمشاركة الأخبار؛ والبعض الآخر خجول، أو متشكك، أو يفضل البقاء صامتاً فحسب.

هذه الورقة البحثية هي بمثابة تجربة علمية قام فيها الباحثون بإلقاء قطعة واحدة من "الأخبار" في مدينة الروبوتات هذه وراقبوا كيف تنتشر. أرادوا معرفة: هل نوع الخبر مهم؟ هل تغير "شخصيات" الروبوتات سرعة انتقال الإشاعة؟ وهل يمكننا استخدام رياضيات بسيطة للتنبؤ بما سيحدث؟

إليك تفاصيل مغامرتهم، مشروحة عبر تشبيهات من الحياة اليومية:

1. الإعداد: مدينة الروبوتات

أنشأ الباحثون شبكة من 128 وكيل ذكاء اصطناعي. فكر فيهم كـ 128 جاراً في قرية صغيرة.

الشخصيات: قبل بدء التجربة، منحوا كل روبوت "شخصية" محددة بناءً على "السمات الخمس الكبرى" البشرية الشهيرة (الانفتاح، اليقظة/الضمير، الانبساط، المقبولية، والعصابية).
- تشبيه: تخيل أن بعض الروبوتات تشبه الجيران الصاخبين والفضوليين الذين يخبرون الجميع بكل ما يسمعونه. والبعض الآخر يشبه الجيران الحذرين والمتشككين الذين يدققون في كل شيء قبل نطق كلمة واحدة.
- أنشأوا 32 مزيجاً مختلفاً من الشخصيات (مثل خلط وتوفيق نكهات الآيس كريم المختلفة) ووزعوها عشوائياً بين الروبوتات.
الأخبار: اختاروا قصصاً إخبارية حقيقية عن أحداث في الفلبين. وقسموها إلى مجموعتين:
1. أحداث سلمية: مثل احتجاج مجتمعي أو مهرجان.
2. أحداث خطيرة: مثل اشتباكات عنيفة أو هجمات.

2. التجربة: لعبة "الهمس"

بدأ الباحثون اللعبة بإعطاء روبوت واحد قطعة من الأخبار.

القاعدة: إذا سمع الروبوت خبراً، فعليه أن يقرر: "هل أريد مشاركة هذا مع جيراني؟"
القرار: ينظر الروبوت إلى الخبر وإلى شخصيته الخاصة.
- مثال: روبوت ذو "انفتاح منخفض" (عنيد/منغلق) قد يرى قصة سياسية مثيرة للجدل ويقول: "لا، لن أشارك هذا، الأمر ينطوي على مخاطرة كبيرة".
- مثال: روبوت ذو "انبساط عالٍ" (اجتماعي جداً) قد يرى نفس القصة ويقول: "نعم! يجب أن يعرف الجميع!".
رد الفعل المتسلسل: إذا شارك الروبوت الأول الخبر، فسيسمعه جيرانه. ثم يتخذون قراراتهم الخاصة بناءً على شخصياتهم الخاصة. يستمر هذا لمدة 15 جولة (مثل 15 دقيقة من النميمة).

3. النتائج: ماذا حدث بالفعل؟

راقب الباحثون "نسبة التفاعل" (كم عدد الروبوتات التي عرفت الخبر في النهاية) وهي تنمو بمرور الوقت. بدت العملية كأنها منحنى على شكل حرف S: بطيئة في البداية، ثم انفجار سريع في المشاركة، وأخيراً تستقر عندما يعرف الجميع تقريباً.

إليكم الاكتشافات الرئيسية:

الأخبار السلمية تنتشر بشكل أسرع: تماماً كما في الحياة الواقعية، كانت الروبوتات أكثر عرضة لمشاركة أخبار "الاحتجاجات السلمية" من أخبار "الهجمات العنيفة". شعرت الأخبار العنيفة بأنها ثقيلة للغاية أو سلبية لدرجة أن العديد من الروبوتات لم ترغب في نشرها.
الشخصية هي الملك: العامل الأكبر لم يكن الخبر نفسه، بل من كان يحمله.
- الروبوتات "المنفتحة" و"الانبساطية" كانوا هم الناشرين الفائقين. كانوا هم من أشعلوا النار.
- الروبوتات "المنغلقة" أو "اليقظة" كانوا بمثابة كوابح الحريق. لقد أبطأوا عملية الانتشار.
سر "المجموعتين": على الرغم من وجود 32 نوعاً مختلفاً من الشخصيات، إلا أن الرياضيات أظهرت أنها تندرج أساساً تحت معسكرين رئيسيين:
1. الناشرون السريعون: مجموعة تشارك الأخبار بسرعة كبيرة.
2. الناشرون البطيئون: مجموعة نادراً ما تشارك أي شيء.

4. الرياضيات: التنبؤ بالمستقبل

حاول الباحثون التنبؤ بهذا السلوك باستخدام نوعين مختلفين من النماذج الرياضية:

النموذج (أ) (الخريطة التفصيلية): نموذج معقد يحاول تتبع شخصية كل روبوت على حدة. كان دقيقاً ولكنه معقد للغاية (مثل محاولة تتبع كل سيارة في حركة المرور بشكل فردي).
النموذج (ب) (توقعات الطقس): نموذج أبسط بكثير يعامل الروبوتات كمجموعتين فقط (سريعة مقابل بطيئة).
- المفاجأة: النموذج البسيط كان في الواقع أفضل! فقد تنبأ بالانتشار بدقة شبه تامة.
- تشبيه: لا تحتاج إلى معرفة درجة حرارة محرك كل سيارة لتوقع ازدحام مروري؛ تحتاج فقط لمعرفة ما إذا كان الطريق مليئاً بالسيارات السريعة أم بالشاحنات البطيئة.

5. لماذا يهم هذا؟

هذه الدراسة هي تحذير وأداة للمستقبل.

التحذير: مع زيادة انتشار بوتات الذكاء الاصطناعي على وسائل التواصل الاجتماعي، فهي ليست مجرد ضجيج عشوائي. لديها "شخصيات" يمكن برمجتها. إذا قام شخص ما ببرمجة سرب من البوتات "الانبساطية والمنفتحة"، فيمكنهم نشر الأخبار (أو الأخبار المزيفة) بسرعة هائلة، وبسرعة أكبر بكما يمكن للبشر القيام بذلك.
الأداة: الخبر الجيد هو أنه يمكننا استخدام رياضيات بسيطة (مثل "نموذج المجموعتين") للتنبؤ بكيفية سلوك شبكات الذكاء الاصطنا هذه. هذا يساعدنا على فهم كيفية حدوث تدفقات المعلومات في عالم يختلط فيه البشر بالذكاء الاصطناعي.

باختاً مختصراً: تظهر الورقة البحثية أنه على الرغم من تعقيد وكلاء الذكاء الاصطناعي، إلا أن سلوكهم الجماعي يتبع قواعد بسيطة. إذا عرفت "شخصية" المجموعة، يمكنك التنبؤ بالضبط بمدى سرعة انتشار الإشاعة عبر الحشد الرقمي.

ملخص تقني لورقة بحثية بعنوان: "ديناميكيات التعلم من الأنظمة المتصلة وغير المتصلة بالإنترنت لوكلاء النماذج اللغوية الكبيرة (LLM)"

1. بيان المشكلة

تتناول الورقة البحثية القلق المتزايد بشأن التفاعل بين الأنظمة المتصلة بالإنترنت (online) والأنظمة غير المتصلة بالإنترنت (offline)، وتحديداً كيف تؤثر وكلاء النماذج اللغوية الكبيرة (LLM) المؤتمتة على انتشار المعلومات وعدم الاستقرار الاجتماعي. وبينما ركزت الأبحاث التقليدية على السلوك البشري أو نشاط البوتات البسيط، فإن تعقيد الوكلاء المدفوعين بالنماذج اللغوية الكبيرة — الذين تُحدد سلوكياتهم من خلال "شخصيات" مصممة عبر هندسة الأوامر (prompt-engineered) — لا يزال غير مدروس بشكل كافٍ من منظور النمذجة الرياضية.

تتمثل أسئلة البحث الجوهرية في:

كيف تنتشر أنواع مختلفة من الأحداث غير المتصلة بالإنترنت (مثل الاحتجاجات السلمية مقابل الصراعات العنيفة) عبر شبكة من وكلاء النماذج اللغوية الكبيرة؟
كيف تؤثر سمات الشخصية المحددة (بناءً على نموذج العوامل الخمسة الكبرى) على معدلات نقل المعلومات؟
هل يمكن التقاط الديناميكيات المعقدة والعشوائية لتفاعلات النماذج اللغوية الكبيرة بدقة من خلال نماذج رياضية مبسطة (تحديداً تقريبات المجال المتوسط - mean-field approximations)؟

2. المنهجية

أ. إعداد المحاكاة

قام المؤلفون ببناء بيئة محاكاة متعددة الوكلاء لنمذجة انتشار المعلومات:

هيكل الشبكة: رسم بياني عشوائي منتظم الدرجة ( $k$ -regular random graph) مع عدد وكلاء $N=128$ ودرجة اتصال $k=5$ .
ملفات تعريف الوكلاء: يتم تخصيص "شخصية" فريدة لكل وكيل بناءً على نموذج العوامل الخمسة الكبرى (الانفتاح، اليقظة/الضمير، الانبساط، العصابية، والمقبولية). كل سمة هي ثنائية (مرتفعة/منخفضة)، مما ينتج عنه $2^5 = 32$ ملف شخصية متميز. هذه الملفات موزعة بانتظام عبر الشبكة.
بيانات الأحداث: تم استقاء بيانات الأحداث من قاعدة بيانات ACLED (بيانات الموقع والحدث للنزاع المسلح)، مع التركيز على الفلبين (2021-2024).
- تم تجميع الأحداث في مجموعتين باستخدام تحليل المكونات الرئيسية (PCA) على تضمينات النصوص: المجموعة 1 (شديدة/عنيفة) والمجموعة 2 (سلمية/تظاهرات).
عملية المحاكاة:
1. يتم إدخال حدث "بذرة" (seed event) إلى وكيل واحد.
2. يقرر الوكلاء ما إذا كانوا سيشاركون الخبر مع جيرانهم بناءً على شخصيتهم ومحتوى الحدث، باستخدام نموذج GPT-3.5-turbo-1106.
3. عملية اتخاذ القرار عشوائية (درجة الحرارة/temperature تتراوح بين 0.7 و1.3) لمحاكاة الضجيج والإبداع البشري.
4. تعمل المحاكاة لمدة $T=15$ تكراراً، مع تتبع نسبة الوكلاء "المتفاعلين" (الذين شاركوا) مقابل "غير المتفاعلين".
5. كُررت التجربة 5 مرات لـ 10 أحداث بذرة مختلفة (5 لكل مجموعة).

ب. النماذج الرياضية

اقترح المؤلفون وطبقوا نموذجين متميزين على بيانات المحاكاة:

نموذج الشبكة القائم على الوكيل العشوائي (الانحدار اللوجستي):
- ينمذج احتمال $p_i$ لوكيل غير متفاعل يصبح متفاعلاً.
- يستخدم دالة لوجستية $\sigma(z)$ حيث يكون المدخل هو مزيج خطي من أوزان ملفات الشخصية الـ 32 ( $\beta_t$ ) وشدة الحدث ( $\beta_s$ ).
- يتم تقدير المعلمات عبر تقدير الاحتمال الأقصى (MLE).
نموذج المعادلات التفاضلية للمجال المتوسط (Mean-Field Differential Equation Model):
- تقريب مستمر للعملية المنفصلة القائمة على الوكيل، على غرار نماذج الوباء (Susceptible-Infected - SI).
- ينقسم المجتمع إلى مجموعتين بناءً على التجميع السلوكي (المجموعة 1: انتقال منخفض؛ المجموعة 2: انتقال مرتفع).
- يحكم النظام معادلات تفاضلية عادية (ODEs) مقترنة:
  $\frac{dU_i}{dt} = -k\tau_i U_i E$
  $\frac{dE}{dt} = \sum_{i=1,2} k\tau_i U_i E$
  حيث $U_i$ هو كسر غير المتفاعلين من المجموعة $i$ ، و $E$ هو كسر المتفاعلين، و $k$ هي الدرجة، و $\tau_i$ هو معدل الانتقال للمجموعة $i$ .
- يتم تقدير المعلمات ( $\tau_1, \tau_2$ ) عن طريق تقليل خطأ المربعات الصغرى (Least Squares Error) بين منحنى النموذج وبيانات المحاكاة المرصودة.

3. المساهمات الرئيسية

إطار عمل لديناميكيات النماذج اللغوية الكبيرة: وضع منهجية صارمة لمحاكاة ونمذجة شلالات المعلومات في شبكات وكلاء النماذج اللغوية الكبيرة ذات الشخصيات المتميزة والمحددة بالأوامر.
مقارنة النماذج: أثبت أن نموذج معادلة المجال المتوسط منخفض الأبعاد (بمعلمتين فقط) يتفوق على النموذج اللوجستي القائم على الوكيل عالي الأبعاد (بـ 33 معلمة) في التنبؤ بديناميكيات التفاعل العالمية.
تجميع الشخصيات: حدد أن الوكلاء، رغم امتلاكهم 32 ملفاً شخصياً فريداً، يتجمعون طبيعياً في مجموعتين سلوكيتين متميزتين فيما يتعلق بمشاركة المعلومات: مجموعة "منخفضة الانتقال" ومجموعة "مرتفعة الانتقال".
تأثير شدة الحدث: كمّم (Quantified) كيف تعمل شدة الحدث (سلمي مقابل عنيف) على تعديل احتمالات المشاركة، ووجد أن الأحداث السلمية تنتشر بسهولة أكبر عموماً من الأحداث العنيفة في هذا الإعداد المحدد.

4. النتائج

أداء النماذج

تفوق نموذج المجال المتوسط: حقق نموذج المجال المتوسط ذو المعلمتين جذر متوسط مربع الخطأ (RMSE) قدره 0.0223 مقابل بيانات المحاكاة. في المقابل، سجل النموذج اللوجستي الكامل ذو الـ 33 معلمة RMSE قدره 0.0414.
السبب: يُعزى التفوق في أداء نموذج المجال المتوسط إلى طريقة تقدير المعلمات الخاصة به (تقليل خطأ المنحنى مباشرة) مقابل نهج MLE للنموذج اللوجستي (تقليل احتمالية القرار الفردي)، والذي قد لا يتوافق تماماً مع الديناميكيات الإجمالية.
ملاءمة نوع الحدث: ناسب كلا النموذجين الأحداث السلمية بشكل أفضل من الأحداث الشديدة. حقق نموذج المجال المتوسط RMSE قدره 0.0098 للأحداث السلمية، وهو ما يطابق السلوك المرصود بدقة تقريباً.

الرؤى السلوكية

محركات الشخصية: كشف التحليل الإحصائي أن الانفتاح والانبساط هما أقوى المتنبئات بمشاركة المعلومات.
- الانفتاح: تحدث قفزة حادة وغير خطية في احتمالية المشاركة عندما يتحول الانفتاح من منخفض إلى مرتفع.
- الانبساط: يرتبط طردياً بالمشاركة.
- اليقظة/الضمير: أظهرت ارتباطاً سلبياً (رغم أنه أقل أهمية).
معدلات الانتقال: كان معدل الانتقال المستنتج للمجموعة عالية النشاط ( $\tau_2 \approx 0.285$ ) أعلى بكثير من المجموعة منخفضة النشاط ( $\tau_1 \approx 0.013$ ).
الديناميكيات: يتم دفع منحنى التفاعل العالمي في البداية من خلال التنشيط السريع للمجموعة الثانية، يليه زيادة بطيئة وتدريجية مع انخراط وكلاء المجموعة الأولى في النهاية.

5. الأهمية والتوجهات المستقبلية

قابلية التنبؤ بأسراب الذكاء الاصطناعي: تشير الدراسة إلى أنه رغم تعقيد سلوكيات الأفراد في النماذج اللغوية الكبيرة، فإن الشبكات واسعة النطاق لهذه النماذج تظهر أنماط انتشار مستقرة وقابلة للتنبؤ يمكن نمذجتها بمعادلات تفاضلية بسيطة.
السياسة والسلامة: فهم هذه الديناميكيات أمر بالغ الأهمية لتوقع كيفية قيام وكلاء الذكاء الاصطناعي بتضخيم المعلومات المضللة أو تثبيت الاضطرابات الاجتماعية في حلقات التغذية الراجعة الواقعية بين الإنترنت وغير الإنترنت.
العمل المستقبلي: يقترح المؤلفون توسيع هذا الإطار ليشمل شبكات التفاعل بين البشر والنماذج اللغوية الكبيرة، حيث تتفاعل النماذج اللغوية مع مستخدمين بشريين حقيقيين. يمكن أن يعمل هذا كبيئة اختبار قابلة للتحكم لدراسة الظواهر الاجتماعية المعقدة والسلوك الجماعي على نطاق واسع.

في الختام، نجحت الورقة البحثية في جسر الفجوة بين عمليات المحاكاة المعقدة القائمة على الوكلاء والنظرية الرياضية القابلة للتطبيق، مثبتة أن تقريبات المجال المتوسط هي أدوات فعالة للغاية لفهم والتنبؤ بانتشار المعلومات في الأنظمة الاجتماعية المدفوعة بالنماذج اللغوية الكبيرة.