🌀 nonlinear sciences

Learning dynamics from online-offline systems of LLM agents

Diese Studie untersucht die Ausbreitung von Online-Informationen in Netzwerken von LLM-Agenten mit unterschiedlichen Persönlichkeitsprofilen und zeigt, dass die komplexen Dynamiken trotz verschiedener offline-Ereignisse und Agentenverhalten durch ein vereinfachtes Susceptible-Infected-Modell mit zwei Übertragungsraten präzise beschrieben werden können.

Ursprüngliche Autoren: Moyi Tian, George Mohler, P. Jeffrey Brantingham, Nancy Rodríguez

Veröffentlicht 2026-03-02

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Moyi Tian, George Mohler, P. Jeffrey Brantingham, Nancy Rodríguez

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

🌐 Wenn Roboter-Netzwerke Nachrichten verbreiten: Eine Reise durch die digitale Welt

Stellen Sie sich vor, Sie haben ein riesiges Netzwerk aus 128 kleinen Robotern (den sogenannten LLM-Agenten). Jeder dieser Roboter hat eine ganz eigene Persönlichkeit, die wie ein digitales Kostüm programmiert wurde. Manche sind sehr offen für Neues, andere sind eher vorsichtig; manche sind gesellig, andere eher schüchtern.

Die Forscher aus den USA haben sich gefragt: Was passiert, wenn man einer dieser Roboter eine Nachricht gibt? Wie breitet sich diese Nachricht durch das ganze Netzwerk aus? Und spielt die Persönlichkeit des Roboters dabei eine Rolle?

📰 Das Experiment: Ein Funke in der Trockenheit

Die Wissenschaftler haben echte Nachrichten über Ereignisse in den Philippinen ausgewählt. Es gab zwei Arten von Nachrichten:

Friedliche Nachrichten: Wie ein großes, friedliches Protestmarsch.
Gewalttätige Nachrichten: Wie ein bewaffneter Überfall oder ein Angriff.

Sie haben einen dieser Roboter ausgewählt, ihm eine Nachricht gezeigt und gefragt: "Möchtest du das mit deinen Nachbarn teilen?" Wenn der Roboter mit "Ja" antwortete, bekam er die Nachricht weitergegeben. Seine Nachbarn entschieden dann ebenfalls basierend auf ihrer eigenen "Persönlichkeit", ob sie weitersagen oder nicht.

🧠 Die Entdeckung: Zwei Gruppen von Robotern

Das Spannende ist: Obwohl es 32 verschiedene Kombinationen von Persönlichkeiten gab, haben sich die Roboter am Ende nur in zwei große Lager eingeteilt, als sie Nachrichten verbreiteten:

Die "Kleber" (Die schnellen Verbreiter): Diese Gruppe war sehr offen, gesellig und mitfühlend. Wenn sie eine Nachricht sahen (besonders eine friedliche), haben sie sie sofort weitergeleitet. Sie sind wie Feuerfresser, die ein kleines Funken sofort zu einem großen Feuer machen.
Die "Schleudern" (Die Zögerer): Diese Gruppe war eher skeptisch, vorsichtig oder misstrauisch. Sie haben Nachrichten viel langsamer weitergegeben oder sie ganz ignoriert. Sie sind wie Wasser, das versucht, das Feuer zu löschen.

📉 Das Ergebnis: Ein einfaches Gesetz für ein komplexes Chaos

Man könnte denken, das Verhalten von 128 Robotern mit unterschiedlichen Persönlichkeiten sei chaotisch und unmöglich vorherzusagen. Aber die Forscher haben eine überraschende Entdeckung gemacht:

Das ganze Chaos lässt sich mit einem sehr einfachen mathematischen Modell beschreiben, das sie aus der Seuchenforschung kennen (genannt SI-Modell).

Stellen Sie sich vor: Die Roboter sind wie Menschen in einem Raum. Die "Infektion" ist die Nachricht.
Die Nachricht breitet sich aus, aber nicht mit einer einzigen Geschwindigkeit. Es gibt zwei Geschwindigkeiten: eine schnelle (für die "Kleber") und eine langsame (für die "Schleudern").

Mit dieser einfachen Formel konnten die Forscher die Ausbreitung der Nachrichten fast perfekt vorhersagen. Sie haben sogar herausgefunden:

Friedliche Nachrichten verbreiten sich viel schneller und weiter als gewalttätige Nachrichten. Die Roboter scheinen eher bereit zu sein, positives oder neutrales zu teilen als Schreckliches.
Die Persönlichkeit ist der wichtigste Faktor. Ein offener, geselliger Roboter verbreitet Nachrichten viel eher als ein schüchterner oder misstrauischer.

💡 Warum ist das wichtig?

Heute gibt es immer mehr Bots und KI-Agenten im Internet, die Nachrichten verbreiten. Diese Studie zeigt uns:
Selbst wenn diese KI-Agenten komplexe Persönlichkeiten haben, folgt ihre kollektive Bewegung einfachen Regeln. Wir können mit einfachen mathatischen Werkzeugen verstehen, wie sich Informationen (oder Falschinformationen) in einer Welt voller KI verbreiten werden.

Es ist, als würde man versuchen, das Verhalten einer riesigen Menschenmenge vorherzusagen. Man muss nicht jeden einzelnen Menschen kennen, um zu wissen, dass sich eine Welle, wenn sie einmal in Gang kommt, mit einer bestimmten Geschwindigkeit durch die Menge bewegt – besonders wenn man weiß, wer die "Anführer" (die schnellen Verbreiter) und wer die "Zuschauer" (die Zögerer) sind.

Kurz gesagt: KI-Agenten sind nicht unberechenbar. Wenn wir ihre Persönlichkeiten verstehen, können wir vorhersagen, wie sich Nachrichten in der digitalen Welt ausbreiten – und zwar mit Hilfe von einfacher Mathematik.

Titel: Lernen von Dynamiken aus Online-Offline-Systemen von LLM-Agenten

Autoren: Moyi Tian, George Mohler, P. Jeffrey Brantingham, Nancy Rodríguez
Institutionen: University of Colorado Boulder, Boston College, UCLA
Datum: März 2026 (simuliertes Datum im Paper)

1. Problemstellung und Motivation

Die Arbeit untersucht die wachsende Verbindung zwischen Online-Informationen und realer Instabilität, insbesondere im Kontext der Verbreitung von Nachrichten durch automatisierte Konten und Large Language Model (LLM)-Agenten. Während traditionelle Modelle menschliches Verhalten und die Ausbreitung von Gerüchten oder Unruhen (z. B. durch epidemiologische Modelle) analysieren, fehlt es an mathematischen Modellen, die spezifisch die Dynamik von LLM-Agenten-Netzwerken erfassen.

Das zentrale Problem ist das Verständnis, wie verschiedene Faktoren – wie die Art der Offline-Ereignisse (z. B. friedliche Proteste vs. gewalttätige Konflikte) und die zugewiesenen „Persönlichkeiten" der LLMs – die globale Dynamik der Informationsverbreitung in einem Netzwerk beeinflussen. Da LLMs zunehmend menschenähnliches Verhalten zeigen und Bot-Aktivitäten den Großteil des Social-Media-Traffics ausmachen, ist es entscheidend, Musterbildung und Ausbreitungsdynamiken in diesen hybriden Systemen mathematisch zu modellieren.

2. Methodik

Die Studie kombiniert Simulationen auf Basis von LLMs mit zwei mathematischen Modellierungsansätzen.

A. LLM-Simulation (Agentenbasiert)

Datenbasis: Es werden Nachrichtenereignisse aus der Armed Conflict Location and Event Data (ACLED) Datenbank verwendet, die in den Philippinen zwischen 2021 und 2024 stattfanden.
Ereignisklassifizierung: Durch Principal Component Analysis (PCA) der Text-Embeddings werden die Ereignisse in zwei Cluster gruppiert:
1. Schwere Ereignisse: Politische Gewalt, Gewalt gegen Zivilisten, Angriffe.
2. Friedliche Ereignisse: Demonstrationen, Proteste, friedliche Versammlungen.
Agenten-Design:
- Es werden $N=128$ Agenten in einem $k$ -regulären Zufallsnetzwerk ( $k=5$ ) simuliert.
- Jeder Agent erhält eine zufällige „Persönlichkeit" basierend auf dem Big-Five-Modell (Offenheit, Gewissenhaftigkeit, Extraversion, Verträglichkeit, Neurotizismus). Jeder der fünf Merkmale wird binär (hoch/niedrig) gesetzt, was zu $2^5 = 32$ möglichen Persönlichkeitsprofilen führt.
- Die Agenten werden mit Prompts konfiguriert, die ihre Reaktion auf Nachrichten basierend auf ihrer Persönlichkeit bestimmen (z. B. „Teilen Sie diese Nachricht basierend auf Ihrem Profil?").
Simulationsprozess: Ein „Seed"-Ereignis wird einem Agenten gegeben. Dieser entscheidet, ob er es teilt. Wenn ja, erhalten Nachbarn die Nachricht und treffen basierend auf ihrer eigenen Persönlichkeit und dem Inhalt eine Entscheidung. Dieser Prozess läuft über $T=15$ Iterationen.

B. Mathematische Modelle

Zwei Modelle werden entwickelt, um die simulierten Daten zu beschreiben:

Stochastisches agentenbasiertes Netzwerkmodell (Logistische Regression):
- Modelliert die Wahrscheinlichkeit $p_i$ , dass ein nicht-engagierter Knoten $i$ durch einen engagierten Nachbarn aktiviert wird.
- Die Wahrscheinlichkeit wird als Funktion der Persönlichkeitsmerkmale (32 Profile) und der Ereignisschwere modelliert:
  $\text{Pr}(y=1 | \mathbf{t}, s) = \sigma(\sum \beta_{\mathbf{b}} \cdot \mathbb{1}_{\mathbf{t}=\mathbf{b}} + \beta_s \cdot s)$
- Parameter werden mittels Maximum-Likelihood-Schätzung (MLE) bestimmt.
Mean-Field-Differentialgleichungsmodell (SI-Modell):
- Eine vereinfachte Approximation, die das System als Susceptible-Infected (SI)-Modell betrachtet.
- Die Agenten werden in zwei Gruppen basierend auf ihrem Verbreitungsverhalten zusammengefasst (Gruppen 1 und 2).
- Das System wird durch gekoppelte Differentialgleichungen beschrieben:
  $\frac{dU_i}{dt} = -k \tau_i U_i E, \quad \frac{dE}{dt} = \sum k \tau_i U_i E$
  wobei $U_i$ der Anteil der nicht-engagierten Agenten in Gruppe $i$ , $E$ der Anteil der engagierten Agenten, $k$ der Grad des Netzwerks und $\tau_i$ die Übertragungsrate für Gruppe $i$ ist.
- Die Parameter $\tau_1$ und $\tau_2$ werden durch Minimierung des quadratischen Fehlers (Least Squares) zwischen der Modellkurve und den simulierten Daten geschätzt.

3. Wichtige Ergebnisse

A. Einfluss von Persönlichkeit und Ereignistyp

Ereignisse: Friedliche Ereignisse werden signifikant häufiger geteilt als schwere/gewalttätige Ereignisse.
Persönlichkeit: Die Dimensionen Offenheit (Openness) und Extraversion haben den stärksten Einfluss auf die Verbreitungswahrscheinlichkeit.
- Hohe Offenheit führt zu einer drastischen Erhöhung der Wahrscheinlichkeit, Nachrichten (insbesondere bei schweren Ereignissen) zu teilen.
- Die logistische Regression zeigt, dass Offenheit der stärkste Prädiktor ist (höchster Koeffizient, signifikantster p-Wert).

B. Modellvergleich und Genauigkeit

Logistisches Modell: Erfasst die Dynamik gut (RMSE $\approx$ 0.0414), neigt jedoch zu einer leichten Unterschätzung zu Beginn und Überschätzung am Ende. Es ist komplex (33 Parameter).
Mean-Field-Modell: Überraschenderweise liefert dieses stark vereinfachte Modell (nur 2 Parameter: $\tau_1, \tau_2$ $τ_{1}, τ_{2}$ ) die beste Anpassung an die Simulationsdaten (RMSE $\approx$ $\approx$ 0.0223).
- Das Modell trennt die Agenten effektiv in zwei Gruppen:
  - Gruppe 1: Niedrige Übertragungsrate ( $\tau_1 \approx 0.0127$ ), langsame Aktivierung.
  - Gruppe 2: Hohe Übertragungsrate ( $\tau_2 \approx 0.2852$ ), schnelle Aktivierung.
- Die globale S-förmige Kurve (Sigmoid) der Engagement-Rate wird durch das schnelle Ansteigen der Gruppe 2 und das langsame Nachziehen der Gruppe 1 erklärt.
- Die Anpassung ist besonders präzise für friedliche Ereignisse.

C. Stabilitätsanalyse

Die Analyse der Gleichgewichtszustände des Mean-Field-Modells zeigt, dass der zustandsfreie Zustand (keine Verbreitung) instabil ist, während der vollständig engagierte Zustand stabil ist. Langfristig wird erwartet, dass sich alle Agenten im Netzwerk engagieren, was durch die Simulation bestätigt wird.

4. Bedeutung und Schlussfolgerungen

Vorhersagbarkeit: Trotz der Komplexität von LLM-Persönlichkeiten und Nachrichteninhalten lassen sich die kollektiven Dynamiken von LLM-Netzwerken durch einfache, niedrigdimensionale mathematische Modelle (insbesondere Mean-Field-Modelle) hervorragend beschreiben.
Effizienz: Ein Zwei-Parameter-Modell reicht aus, um das Verhalten eines Systems mit 128 Agenten und 32 Persönlichkeitsprofilen präzise vorherzusagen. Dies deutet darauf hin, dass LLM-Agenten-Netzwerke stabile, vorhersagbare Muster aufweisen.
Anwendungspotenzial: Die Ergebnisse bieten ein Framework, um zu verstehen, wie sich Informationen in hybriden Mensch-KI-Netzwerken ausbreiten. Dies ist relevant für die Vorhersage von Online-Unruhen, die Ausbreitung von Fehlinformationen und die Gestaltung von KI-gestützten Interventionen.
Zukunftsausblick: Die Autoren schlagen vor, zukünftige Modelle um Interaktionen zwischen menschlichen und KI-Agenten zu erweitern, entweder durch Training von LLMs auf menschlichen Daten oder durch kontrollierte Experimente mit echten menschlichen Teilnehmern.

Fazit: Das Paper demonstriert erfolgreich, dass komplexe soziale Dynamiken in LLM-Netzwerken nicht nur simuliert, sondern auch durch elegante mathematische Differentialgleichungen modelliert werden können, wobei Persönlichkeitsmerkmale und Ereignistypen als kritische Treiber der Informationsverbreitung identifiziert wurden.