🤖 AI

BotVerse: Real-Time Event-Driven Simulation of Social Agents

Das Paper stellt BotVerse vor, ein skalierbares, ereignisgesteuertes Framework, das die sichere Simulation von LLM-basierten sozialen Agenten in einer kontrollierten Umgebung ermöglicht, die mit Echtzeit-Daten aus dem Bluesky-Ökosystem verknüpft ist, um ethische Risiken zu minimieren und Forschern eine Plattform für die Untersuchung koordinierter Desinformation und multimodaler Interaktionen zu bieten.

Ursprüngliche Autoren: Edoardo Allegrini, Edoardo Di Paolo, Angelo Spognardi, Marinella Petrocchi

Veröffentlicht 2026-04-01

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Edoardo Allegrini, Edoardo Di Paolo, Angelo Spognardi, Marinella Petrocchi

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

Stell dir vor, du möchtest herausfinden, wie sich Gerüchte oder Falschmeldungen in sozialen Medien wie ein Lauffeuer ausbreiten. Normalerweise würde man dafür echte Menschen auf Plattformen wie Bluesky oder X (Twitter) beobachten oder sogar Bots einsetzen, die mit echten Nutzern interagieren. Das ist aber ein riesiges ethisches Problem: Man täuscht echte Menschen, und das kann gefährlich sein.

BotVerse ist die Lösung für dieses Dilemma. Es ist wie ein riesiges, sicheres Labor oder ein "Flugzeug-Simulator" für soziale Netzwerke.

Hier ist eine einfache Erklärung, wie das funktioniert, mit ein paar bildhaften Vergleichen:

1. Der "Flugzeug-Simulator" statt dem echten Flug

Statt echte Passagiere (Nutzer) in Gefahr zu bringen, baut BotVerse eine perfekte Nachbildung der Welt.

Die echte Welt: Die Forscher holen sich die aktuellen Nachrichten und Trends direkt von der echten Plattform Bluesky. Das ist wie das Wetter, das in den Simulator eingespeist wird.
Die Simulation: Alle Interaktionen (Posten, Liken, Antworten) finden aber nur zwischen künstlichen Figuren (den "Agents") in diesem abgeschirmten Labor statt. Niemand aus der echten Welt wird getäuscht oder verletzt.

2. Die Schauspieler mit Gedächtnis und Persönlichkeit

In diesem Simulator gibt es Tausende von künstlichen Charakteren. Aber sie sind keine dummen Roboter, die nur Text ausspucken.

Digitale DNA: Jeder Agent hat eine Art "Persönlichkeits-Steckbrief" (z. B. politisch links, religiös, skeptisch).
Das Gedächtnis: Stell dir vor, jeder Agent hat ein Notizbuch. Aber sie vergessen nicht einfach alles. Sie entscheiden sich, was wichtig ist:
- Was ist gerade passiert? (Aktualität)
- Was haben viele andere schon geliked? (Wichtigkeit)
  So merken sie sich nur das, was gerade "im Trend" ist, genau wie echte Menschen.
Der Rhythmus: Sie posten nicht alle gleichzeitig. Sie schlafen nachts, sind morgens aktiv und machen Pausen – genau wie echte Menschen.

3. Der "Regisseur" (Die Orchestrierung)

BotVerse hat einen unsichtbaren Regisseur, der den ganzen Ablauf steuert.

Er sorgt dafür, dass die künstlichen Charaktere auf die echten Nachrichten reagieren.
Er kann Tausende von Charakteren gleichzeitig managen, ohne dass das System zusammenbricht (Skalierbarkeit).
Er erlaubt es den Forschern, Szenarien zu testen: "Was passiert, wenn 150 bösartige Bots versuchen, eine Lüge zu verbreiten, während 350 normale Leute skeptisch sind?"

4. Ein konkretes Beispiel: Der "Fake-News-Test"

In der Studie haben die Forscher ein Szenario durchgespielt:

Phase A (Der Funke): Bösartige Bots nehmen echte aktuelle Themen und drehen daran eine Lüge.
Phase B (Das Feuer): Diese Bots versuchen, die Lüge zu verbreiten. Sie liken Beiträge, antworten auf Kommentare mit langen, überzeugenden (aber falschen) Argumenten und versuchen, die skeptischen "echten" Charaktere zu verwirren.
Phase C (Die Analyse): Die Forscher schauen sich durch ein großes Fenster (die "Synthetische Sozial-Beobachtungsstation") zu, wie sich die Lüge ausbreitet. Sie sehen, welche Charaktere überzeugt wurden und welche widerstanden haben.

Warum ist das so wichtig?

Stell dir vor, du willst herausfinden, wie man einen Brand löschen kann. Du würdest nicht in einer echten Stadt ein Feuer legen, nur um zu sehen, was passiert. Du würdest einen Simulator nutzen.

BotVerse ist genau dieser Simulator für soziale Medien.

Es ist sicher: Niemand wird getäuscht.
Es ist realistisch: Die Bots denken und handeln fast wie Menschen.
Es ist nützlich: Forscher können damit testen, wie man gegen Desinformation vorgeht, wie sich Meinungen bilden oder wie man KI-Systeme sicherer macht, bevor sie in der echten Welt eingesetzt werden.

Kurz gesagt: BotVerse ist ein sicherer Spielplatz, auf dem wir die dunklen Seiten sozialer Medien erforschen können, ohne dabei jemandem in der echten Welt zu schaden.

Problemstellung

Online-Sozialnetzwerke (OSN) sind zentrale Kommunikationskanäle, dienen jedoch auch als Verbreitungskanäle für Desinformation, die oft durch automatisierte Bots verstärkt wird. Der Einsatz von Large Language Models (LLMs) hat diese Bots zu hochentwickelten sozialen Agenten gemacht, deren Inhalte kaum noch von menschlichen Texten zu unterscheiden sind.
Das Hauptproblem besteht darin, dass die Untersuchung dieser autonomen Agenten auf Live-Netzwerken erhebliche ethische Risiken birgt. Der Einsatz von Agenten, die bösartiges Verhalten simulieren, unter unbeteiligten Nutzern wirft Fragen bezüglich Täuschung und nicht-einvernehmlicher Mensch-Bot-Interaktionen auf. Bestehende Lösungsansätze basieren häufig auf statischen Datensätzen oder nicht skalierbaren iterativen Modellen, die die Dynamik realer Ereignisse nicht ausreichend abbilden.

Methodik: Die BotVerse-Architektur

BotVerse ist ein skalierbares, ereignisgesteuertes Framework für kontrollierte soziale Simulationen, das Interaktionen in einer isolierten Umgebung simuliert, jedoch auf Echtzeit-Inhaltsströmen aus dem Bluesky-Ökosystem (AtProto) basiert. Die Architektur besteht aus vier eng integrierten Schichten:

Synthetic Social Observatory (Frontend):
- Eine React/TypeScript-Oberfläche, die es Forschern ermöglicht, die Simulation in Echtzeit zu beobachten.
- Visualisierung von Interaktionsgraphen, Agentenprofilen und der Entwicklung des „synthetischen öffentlichen Platzes" für qualitative und quantitative Analysen.
Orchestration API (FastAPI):
- Dient als Koordinationsrückenmark des Systems.
- Ermöglicht asynchrone Kommunikation zwischen Simulations-Engine und Frontend.
- Abstrahiert die Inhaltsgenerierung und unterstützt modulare Integration heterogener LLM-Backends (z. B. GPT-oss, DeepSeek).
- Stellt den Simulationszustand über RESTful-Endpunkte bereit.
Factory (Persistenzschicht):
- PostgreSQL-basiertes Backend zur Verwaltung des Zustands Tausender Agenten und ihrer Interaktionen.
- Gewährleistet die Isolation von Datenzugriff und Zustandsmanagement von der Ausführungslogik, was Konsistenz und Fehlertoleranz bei parallelen Simulationen sicherstellt.
BotVerse Simulation Engine (Kern):
- Steuert das autonome Verhalten der Agenten mittels eines ereignisgesteuerten Ausführungsmodells (im Gegensatz zu statischen Iterationen).
- Environmental Grounding: Agenten konsumieren Echtzeit-Streams von Bluesky, um auf reale Ereignisse zu reagieren.
- Action Logic & Digital DNA: Das Verhalten folgt Sequenzen (z. B. Posten → Warten → Antworten), gesteuert durch zeitliche Verteilungen, die menschliche Nutzungsmuster (Burstiness, circadiane Rhythmen) nachahmen.
- Kognitive Modellierung:
  - Memory: Ein dynamisches Gedächtnismodul verwendet einen heuristischen Scoring-Mechanismus ( $S = \alpha \cdot \text{Recency} + \beta \cdot \text{Importance}$ ), um relevante Inhalte basierend auf Aktualität und sozialer Resonanz (Likes, Reposts) auszuwählen.
  - Persona: Agenten besitzen erweiterbare JSON-basierte Profile mit demografischen und psychografischen Attributen, die zur Laufzeit in die LLM-Prompts injiziert werden.
- Multimodale Synthese: Integration einer Stable Diffusion-Pipeline zur Generierung von Bildern, die semantisch mit den Textbeiträgen der Agenten übereinstimmen.

Hauptbeiträge

Ethisch sichere Umgebung: BotVerse bietet einen kontrollierten Sandkasten, der die ethischen Risiken des Experiments auf Live-Netzwerken eliminiert, indem es Interaktionen isoliert, aber auf realen Datenströmen basiert.
Echtzeit-Authentizität: Durch die Anbindung an Bluesky reagieren Agenten dynamisch auf Live-Ereignisse, was eine hohe Verhaltensfidelität gewährleistet.
Skalierbarkeit: Die ereignisgesteuerte Architektur unterstützt Tausende gleichzeitiger, hochgradig anpassbarer Agenten.
Kognitive und zeitliche Realismus: Einführung von Gedächtnismodellen mit Gewichtungsfaktoren und zeitlichen Verteilungen, die menschliche Aktivitätsmuster replizieren.

Ergebnisse und Demonstrationsfall

Die Autoren demonstrieren das Framework in einem Desinformations-Szenario mit 500 Agenten (350 skeptische, „gute" Agenten und 150 desinformierende Agenten):

Phase A (Säen): Böswillige Agenten nutzen Trends von Bluesky, um täuschende Narrative zu erstellen.
Phase B (Verstärkung): Die Agenten nutzen komplexe Strategien (Broadcast, Likes, gezielte Antworten mit persuasiver Argumentation), um Skeptiker zu überzeugen und die Reichweite zu erhöhen.
Phase C (Analyse): Das Observatory ermöglicht die Analyse sowohl auf Mikroebene (kognitive Zustände der Agenten) als auch auf Makroebene (Verbreitung der Narrative im Netzwerk).

Das System zeigte, dass es in der Lage ist, koordinierte Desinformationskampagnen realistisch zu simulieren und deren Ausbreitung zu beobachten, ohne echte Nutzer zu gefährden.

Bedeutung und Ausblick

BotVerse schließt die Lücke zwischen statischen Datensätzen und der Forschung an Live-Netzwerken. Es bietet eine vielseitige Plattform für:

Computational Social Science: Untersuchung der Entstehung von Normen und kollektiver Aufmerksamkeit.
AI Safety & Red-Teaming: Stress-Tests für Systeme, die LLM-getriebene Desinformation erkennen und bekämpfen sollen.
Politik & Krisenreaktion: Simulation von „Was-wäre-wenn"-Szenarien (z. B. Naturkatastrophen).
Marktdynamik: Risikofreie Evaluierung von Markenresonanz.

Zukünftige Arbeiten planen die Erweiterung der Verhaltenskomplexität der Agenten und die Unterstützung plattformübergreifender Simulationen. Das Framework ist als Open-Source-Projekt verfügbar.