⚡ electrical engineering

Opinion Consensus Formation Among Networked Large Language Models

Diese Arbeit untersucht, wie vernetzte große Sprachmodelle durch mehrstufige Textwechsel einen Konsens erreichen, wobei festgestellt wird, dass ihre Konvergenzdynamik hinsichtlich der Abklingraten und der Graphentopologie zwar mit klassischen DeGroot-Modellen übereinstimmt, ihre endgültigen Meinungen jedoch stärker durch inhärente Vorurteile und Diskussionsthemen als durch Anfangsbedingungen oder Netzwerkzentralität bestimmt werden.

Ursprüngliche Autoren: Iris Yazici, Mert Kayaalp, Stefan Taga, Ali H. Sayed

Veröffentlicht 2026-01-30

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Iris Yazici, Mert Kayaalp, Stefan Taga, Ali H. Sayed

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Gruppe von 20 Freunden vor, die in einem Kreis sitzen und jeweils eine unterschiedliche Meinung zu einem kontroversen Thema haben, wie etwa „Ist Bitcoin eine gute Investition?“ oder „Sollten wir vegan leben?“. In der realen Welt würden diese Freunde, wenn sie eine Zeit lang miteinander sprächen, sich möglicherweise über etwas einig werden.

Dieses Paper stellt eine einfache Frage: Wenn wir diese menschlichen Freunde durch Künstliche Intelligenz (KI)-Chatbots ersetzen, verhalten sie sich dann genauso? Folgen sie speziell denselben mathematischen Regeln, die Wissenschaftler seit Jahrzehnten nutzen, um zu erklären, wie Gruppen von Menschen zu einer Einigung gelangen?

Hier ist die Aufschlüsselung dessen, was die Forscher herausgefunden haben, unter Verwendung einfacher Analogien:

1. Das alte Regelwerk (Das DeGroot-Modell)

Seit langem nutzen Mathematiker ein Regelwerk namens DeGroot-Modell, um die Meinungen von Gruppen vorherzusagen. Denken Sie an dies wie an einen gewichteten Durchschnitt.

Die Theorie: Wenn Sie Ihrem Nachbarn zu 50 % vertrauen und sich selbst zu 50 %, ist Ihre neue Meinung der Durchschnitt Ihrer Meinung und der seinen. Wenn Sie ein „Hub“ (ein Knotenpunkt) im Netzwerk sind (mit vielen Menschen verbunden), sollte Ihre Meinung bei der endgültigen Gruppenentscheidung mehr Gewicht haben.
Die Vorhersage: Die endgültige Gruppenmeinung sollte eine perfekte mathematische Mischung aus den Ausgangsmeinungen aller Beteiligten sein, gewichtet nach deren Zentralität im Netzwerk.

2. Das Experiment: KI-Freunde in einem Chatroom

Die Forscher richteten einen digitalen Spielplatz mit 20 KI-Agenten ein.

Der Aufbau: Sie verbanden diese KIs in verschiedenen Formen (einige in einem engen Kreis, andere in einem lockeren Netz).
Die Regeln: Sie sagten den KIs: „Du bist entweder ‚selbstbewusst‘ (du vertraust dir selbst mehr) oder ‚weltoffen‘ (du vertraust anderen mehr).“ Sie gaben ihnen ein Thema (wie „Ghosting“ oder „Gen-Editierung“) und ließen sie 80 Runden lang hin und her chatten.
Die Messung: Nach jedem Chat fungierte eine separate KI als Richter und bewertete den Ton der Konversation auf einer Skala von „Stark dagegen“ (-3) bis „Stark dafür“ (+3).

3. Die große Überraschung: Der „Echokammer“-Eff Effekt

Die Forscher fanden zwei Hauptdinge heraus:

A. Sie einigen sich zwar, aber nicht aus den Gründen, die wir dachten.
Genau wie das alte Regelwerk vorhersagte, hörten die KI-Agenten schließlich auf, uneinig zu sein. Ihre Meinungen konvergierten, und das „Rauschen“ zwischen ihnen ebbte exponentiell ab (wie ein Echo, das verhallt).

Jedoch: Die endgültige Meinung, die sie erreichten, entsprach nicht der mathematischen Vorhersage.
Die Analogie: Stellen Sie sich eine Gruppe von Menschen vor, die versuchen, das Gewicht eines Kürbisses zu schätzen. Die alte Mathematik besagt, dass die endgültige Schätzung der Durchschnitt aller Anfangsschätzungen sein sollte. Aber in diesem Experiment ignorierten die KIs ihre Ausgangsschätzungen fast vollständig. Stattdessen einigten sie sich alle auf eine bestimmte Zahl, die scheinbar aus dem Inneren der KI selbst kam und nicht aus der Gruppendiskussion.

B. Die „inhärente Voreingenommenheit“ ist der wahre Chef.
Warum ignorierten sie die Mathematik? Weil die KIs durch ihre Trainingsdaten (die Daten, mit denen sie vor dem Experiment gefüttert wurden) eine eingebaute Voreingenommenheit besitzen.

Die Analogie: Stellen Sie sich die KIs wie Menschen vor, die in einer bestimmten Kultur aufgewachsen sind. Selbst wenn man sie in einen Raum mit Menschen aus der ganzen Welt setzt, könnten sie alle heimlich zu einem bestimmten kulturellen Standpunkt neigen.
Das Ergebnis: Wenn das Thema „Bitcoin“ war, tendierten die KIs eher negativ, unabhängig davon, ob sie positiv oder negativ gestartet waren. Wenn das Thema „Veganismus“ war, tendierten sie positiv. Das Thema und die interne Trainingsdaten der KI waren weita viel wichtiger als die Frage, wer mit wem sprach oder wer mit welcher Meinung startete.

4. Was doch der alten Mathematik folgte

Während das endgültige Ergebnis laut der alten Mathematik falsch war, war die Geschwindigkeit, mit der sie sich einig wurden, absolut präzise.

Die Analogie: Denken Sie an einen überfüllten Raum, in dem alle schreien. Die alte Mathematik sagt genau voraus, wie lange es dauert, bis der Raum ruhig wird.
Das Ergebnis: Die Forscher fanden heraus, dass die Zeit, die die KIs benötigten, um aufzuhören, uneinig zu sein, den mathematischen Vorhersagen perfekt entsprach. Wenn das Netzwerk stärker vernetzt war (mehr Freunde, die mit mehr Freunden sprechen), einigten sie sich schneller. Wenn das Netzwerk spärlicher besiedelt war, dauerte es länger. Das „Tempolimit“ der Einigung wurde durch die Form des Netzwerks bestimmt, genau wie es die alte Mathematik sagte.

5. Der Faktor „Selbstvertrauen“

Die Forscher testeten auch, was passiert, wenn man den KIs explizit sagt: „Vertraue dir selbst zu 80 % und deinen Freunden zu 20 %.“

Das Ergebnis: Wenn die KIs diese spezifischen „Vertrauensgewichte“ erhielten, erreichten sie einen Konsens viel leichter. Wenn die Forscher diese Anweisungen entfernten, waren die KIs chaotischer und blieben am Ende uneiniger. Es scheint, dass das Geben klarer Regeln an die KI-Agenten, wie sehr sie sich selbst vertrauen sollen, ihnen hilft, sich schneller zu beruhigen.

Zusammenfassung

Erreichen KI-Agenten einen Konsens? Ja, sie hören auf zu streiten und einigen sich auf einen Punkt.
Sagt die alte Mathematik voraus, worauf sie sich einigen? Nein. Die endgültige Meinung wird durch die verborgenen Vorurteile der KI und das Thema getrieben, nicht durch die Ausgangsmeinungen der Gruppe.
Sagt die alte Mathematik voraus, wie schnell sie sich einigen? Ja. Die Geschwindigkeit der Einigung hängt vollständig davon ab, wie das Netzwerk verbunden ist, genau wie es die alte Mathematik vorhersagte.

Das Fazit: Wenn Sie ein soziales Netzwerk mit KI simulieren wollen, können Sie der Mathematik vertrauen, um Ihnen zu sagen, wie schnell sie sich einigen werden, aber Sie können der Mathematik nicht vertrauen, um Ihnen zu sagen, worauf sie sich einigen werden. Die interne „Persönlichkeit“ (Voreingenommenheit) der KI überschreibt die Gruppendynamik.

Technisches Resümee: Konsensbildung der Meinung in vernetzten Large Language Models

Problemformulierung

Diese Arbeit untersucht, ob klassische mathematische Modelle der Meinungsbildung, insbesondere das DeGroot-Konsensmodell, das Gruppenverhalten von Large Language Models (LLMs) vorhersagen können, die als Agenten in einem Netzwerk agieren. Während das DeGroot-Modell in der Signalverarbeitung und Kontrolltheorie gut etabliert ist, um zu beschreiben, wie Agenten durch wiederholte Mittelung der Meinungen ihrer Nachbarn einen Konsens erreichen, ist seine empirische Validierung in realen sozialen Settings oft durch die Kosten und Komplexität der Datenerhebung beim Menschen begrenzt. Die Autoren postulieren, dass LLMs eine kontrollierbare, kostengünstige Testumgebung zur Modellierung dieser Dynamiken bieten. Das Kernproblem ist zweigeteilt:

Bestimmen, ob LLM-Agenten, die über Kommunikationsgraphen interagieren, ein Konsensverhalten zeigen, das dem menschlichen Sozialverhalten ähnelt.
Analysieren, ob die spezifischen Mechanismen des LLM-Konsenses (begrenzte Meinungen und Konvergenzraten) mit den theoretischen Vorhersagen von DeGroot übereinstimmen, insbesondere im Hinblick auf den Einfluss von Anfangsbedingungen, Netzwerktopologie und inhärenten Modell-Biases.

Methodik

Die Autoren konstruierten eine Multi-Agenten-Simulationsumgebung unter Verwendung des AutoGen-Frameworks und setzten Google's Gemini 2.0 Flash als zugrunde liegendes LLM ein. Der Versuchsaufbau umfasste folgende Komponenten:

Netzwerktopologie: Ein Netzwerk aus $K=20$ Agenten wurde über gerichtete, gewichtete Graphen simuliert. Die primäre Topologie war der Erdős–Rényi-Zufallsgraph mit variierenden Konnektivitätsparametern ( $p$ ), ergänzt durch vollständig verbundene und kreisförmige (Ring-)Topologien, um die Extrempunkte der Konnektivität zu testen.
Agenteninteraktion: Agenten tauschten über mehrere Runden (80 Runden pro Experiment) textbasierte Nachrichten aus. Die Interaktionsgewichte (den Nachbarn zugewiesene Vertrauensstufen und Selbstgewichte) wurden über System-Prompts erzwungen. Es wurden zwei Agenten-Charaktertypen definiert: „selbstbewusst“ (höheres Selbstgewicht) und „offen“ (geringeres Selbstgewicht).
Meinungsquantifizierung: Um Textantworten auf numerische Überzeugungen abzubilden, führte ein separates, unabhängiges LLM (gpt-5-nano) eine Sentimentanalyse aller Antworten durch. Meinungen wurden auf einer Skala von $[-3, 3]$ (von „gegen“ bis „für“) bewertet und auf $[0, 1]$ normiert.
Experimentelle Variablen: Die Studie variierte Diskussionsthemen (8 Themen wie Bitcoin, Euthanasie, Veganismus usw.), die Verteilung der Anfangsmeinungen (dafür, neutral, dagegen) und die Graph-Kzkonnektivität.
Datensatz: Die Autoren stellten einen Datensatz aus 764 Experimenten mit über 1,2 Millionen LLM-Antworten zusammen, der 8 Themen und verschiedene Netzwerkkonfigurationen abdeckt.

Kernergebnisse

1. Entstehung von Konsens und Abnahme von Uneinigkeit

Die Experimente zeigten, dass LLM-Agenten typischerweise einen Konsens erreichen. Die Standardabweichung (STD) der Sentiment-Scores der Agenten nahm exponentiell über die Interaktionsrunden ab und näherte sich einem Wert nahe Null an. Diese Abnahmerate stand in engem Zusammenhang mit dem zweitgrößten Modul-Eigenwert ( $|\lambda_2|$ ) der Kombinationsmatrix des Graphen, was im Einklang mit den Vorhersagen der Spektralgraphentheorie zur Konvergenzgeschwindigkeit steht.

2. Abweichung von DeGroot-Vorhersagen

Trotz der Entstehung eines Konsenses wich die limitierende Meinung (der endgültige Konsenswert) signifikant von der Vorhersage des DeGroot-Modells ab.

Unempfindlichkeit gegenüber Anfangsbedingungen: Im Gegensatz zum DeGroot-Theorem, das besagt, dass der endgültige Konsens ein netzzentralitätsgewichteter Durchschnitt der Anfangsmeinungen sein sollte, war der LLM-Konsens weitgehend unempfindlich gegenüber den Anfangsbedingungen.
Themenabhängiger Bias: Der endgültige Konsenspunkt hing stark vom Diskussionsthema und den inhärenten Biases der LLMs ab (wahrscheinlich resultierend aus Pretraining- und Alignment-Phasen). Beispielsweise zeigten die LLMs beim Thema Bitcoin einen negativen Bias, unabhängig davon, ob die Anfangsverteilung „dafür“ oder „dagegen“ war, während beim Thema Veganismus ein positiver Bias entstand.
Modellgenauigkeit: Beim Vergleich der endgültigen LLM-Meinungen mit den DeGrot-Vorhersagen betrug der Root Mean Squared Error (RMSE) 0,32. Die Klassifizierungsgenauigkeit basierend auf dem DeGroot-Modell lag bei etwa 32 % für die ternäre Klassifizierung und 60 % für die binäre Klassifizierung, was vergleichbar mit oder nur geringfügig besser als blindes Raten war.

3. Einfluss von System-Prompts und Gewichten

Die Studie fand heraus, dass die explizite Durchsetzung von Kombinationsmatrix-Gewichten via System-Prompts die Wahrscheinlichkeit, einen Konsens zu erreichen, signifikant erhöhte. In „gewichteten“ Experimenten (in denen Selbstgewichte explizit definiert waren) lag die endgültige Standardabweichung der Uneinigkeit bei 0,083, während „gewichtlose“ Experimente (bei denen spezifische Gewichte aus den Prompts entfernt wurden) eine deutlich höhere endgültige Diversität von 0,165 aufwiesen.

4. Konvergenzrate und Graphentheorie

Obwohl der Wert des Konsenses nicht der DeGroot-Theorie entsprach, tat es die Rate der Konvergenz. Die „Halbierungszeit“ der Uneinigkeit (die Anzahl der Runden, die benötigt werden, um die Varianz der Meinung zu halbieren) war empirisch proportional zu $\frac{\ln 2}{-\ln |\lambda_2|}$ . Dies bestätigt, dass die transienten Dynamiken von LLM-Netzwerken den etablierten graphentheoretischen Ergebnissen folgen, selbst wenn das stationäre Gleichgewicht dies nicht tut.

Bedeutung und Ansprüche

Das Paper behauptet, dass LLMs zwar effektive, kostengünstige Testumgebungen für die Simulation sozialer Netzwerkdynamiken sein können, ihr Konsensverhalten sich jedoch fundamental von klassischen Modellen hinsichtlich der stationären Ergebnisse unterscheidet.

Dominanz von Bias: Die Autoren heben hervor, dass in LLM-Netzwerken inhärente Modell-Biases und die Themensensitivität den Einfluss von Anfangsbedingungen und Netzwerkkonstruktion (Zentralität) überlagern, welche zentral für das DeGroot-Modell sind.
Konvergenzdynamik: Die Studie validiert, dass die Geschwindigkeit des Konsens in LLM-Netzwerken durch die spektralen Eigenschaften des Kommunikationsgraphen (speziell $|\lambda_2|$ ) bestimmt wird, was darauf hindeutet, dass die klassische Graphentheorie weiterhin nützlich ist, um ressourceneffiziente Multi-Agenten-LLM-Anwendungen zu entwerfen, bei denen das Timing des Konsens entscheidend ist.
Ressourceneffizienz: Das Verständnis dieser Konvergenzraten ermöglicht eine bessere Abschätzung der benötigten Interaktionsrunden, um einen Konsens unter Kostenbeschränkungen in Multi-Agenten-Systemen zu erreichen.

Die Autoren kommen zu dem Schluss, dass diese Erkenntnisse dazu beitragen, das Potenzial von LLMs für die soziale Simulationsforschung zu klären und das Design von Multi-Agenten-Systemen zu leiten, wobei sie anmerken, dass weitere Arbeiten notwendig sind, um strategische Agenten und andere LLM-Architekturen zu untersuchen.