How Affect Propagates among LLM Agents: Emergent Emotional Contagion in Crowd Simulation

Resumen Técnico: Cómo se propaga el afecto entre agentes de LLM

Planteamiento del problema
Este artículo investiga la dinámica emergente del contagio emocional dentro de sistemas multi-agente impulsados por Modelos de Lenguaje de Gran Escala (LLM). Aunque las sociedades de LLM se han utilizado para modelar el comportamiento humano y estudiar fenómenos colectivos, los mecanismos específicos mediante los cuales el afecto se propaga entre agentes —sin reglas de transferencia codificadas de forma rígida— siguen estando poco explorados. Los autores abordan la cuestión de si las interacciones locales, mediadas por la percepción, la valoración y la expresión de un agente, pueden producir patrones coherentes de propagación de afecto en términos espaciales, temporales y disposicionales, tales como el pánico o la alegría, en una simulación de multitud dinámica.

Metodología
Los autores proponen una arquitectura híbrida que desacopla el procesamiento cognitivo de alto nivel del control físico de bajo nivel:

• Capa Cognitiva: Cada agente posee una "mente" basada en LLM que gobierna la valoración cognitiva, las actualizaciones del estado emocional interno y la selección de las expresiones externas. El estado interno del agente se define mediante:
  • Personalidad: Representada a través del modelo de los Cinco Grandes (OCEAN).
  • Emoción: Codificada mediante el modelo circular de Russell (Valencia y Activación/Arousal).
  • Memoria: Una cola de corto plazo de eventos salientes.
• Bucle de Percepción-Valoración-Expresión: Los agentes perciben a sus vecinos a través de canales visuales, auditivos y táctiles. El LLM valora estas entradas frente a la personalidad, la memoria y el contexto del agente para actualizar su estado interno y seleccionar expresiones (faciales, gestuales, vocales y de movimiento).
• Capa Física: Un simulador de multitudes convencional en Unity gestiona la locomoción, la planificación de rutas (A*) y la evitación de colisiones (Obstáculos de Velocidad Recíproca) de forma independiente al LLM para garantizar el rendimiento en tiempo real y el realismo físico.
• Configuración Experimental: Se diseñaron cinco escenarios (Plaza Calma, Concierto, Evacuación, Línea de Espera, Puerta Contenciosa) para probar hipótesis específicas sobre el contagio local, la propagación espacial, la modelización epidémica, la dependencia de la modalidad y la emergencia impulsada por la personalidad. El estudio utilizó el modelo gemini-3.1-flash-lite como motor principal, con comprobaciones de robustez frente a otros modelos (gpt-4o-mini, llama3.1:8b, llama3.2:3b).

Contribuciones Clave

1. Arquitectura de Contagio Mediada por la Valoración: El artículo introduce un sistema donde la transferencia emocional no se rige por reglas algorítmicas (por ejemplo, promedios ponderados o ecuaciones diferenciales), sino que emerge enteramente de la valoración que un LLM hace de los comportamientos observados.
2. Validación Empírica de Hipótesis: El estudio pone a prueba sistemáticamente cinco hipótesis relativas a la naturaleza de la propagación del afecto, proporcionando evidencia de la propagación en forma de ondas espaciales, dinámicas de tipo epidémico y el papel crítico de la personalidad para determinar si el contagio se desencadena.
3. Análisis de Modalidad y Backend: El trabajo cuantifica la contribución relativa de diferentes modalidades de comunicación (voz, gesto, rostro, movimiento) al contagio y demuestra que las dinámicas emergentes dependen altamente de la sensibilidad del backend de LLM específico a los rasgos de personalidad.

Resultos

• Contagio Local (H1): Las expresiones observables de los vecinos predicen cambios en el afecto de un agente. Las señales de alarma disminuyen consistentemente la valencia y aumentan la activación. Las señales positivas aumentan la valencia, aunque el efecto sobre la activación fue menos consistente y probablemente impulsado por el contexto del escenario más que por la transferencia entre vecinos.
• Propagación Espacial (H2): La alarma sembrada en un grupo localizado se propaga como un frente de onda viajera en entornos lineales. El inicio del pánico se correlaciona positivamente con la distancia desde la semilla, con una velocidad de propagación estimada de aproximadamente 0.96 m/s.
• Dinámicas Epidémicas (H3): La propagación de la alarma sigue un patrón cualitativamente consistente con un modelo Susceptible-Infectado-Susceptible (SIS), estabilizándose en una meseta endémica no nula en lugar de decaer a cero (como en los modelos SIR). Sin embargo, las dinámicas no se ajustan estrictamente a un único conjunto de parámetros tanto para el exceso inicial como para la meseta, y no se observó un umbral de masa crítica.
• Dependencia de la Modalidad (H4): El contagio colapsa a una línea base baja cuando todas las modalidades se silencian. La voz posee el mayor alcance de contagio debido a su alcance omnidireccional, mientras que los gestos son los más potentes por exposición. Las expresiones faciales codifican principalmente la valencia, mientras que el movimiento codifica la activación.
• Emergencia Impulsada por la Personalidad (H5):
  • Neuroticismo: Un neuroticismo medio alto en una multitud provoca que un estímulo ambiguo desencadene un pánico autoamplificado, mientras que las multitudes estables permanecen compuestas.
  • Líderes Calmos: Una minoría de agentes calmos y de alta escrupulosidad reduce modestamente el pánico de la multitud, pero no lo evita, lo que sugiere un sesgo de negatividad en la valoración donde las señales de alarma dominan sobre las de tranquilidad.
  • Ira vs. Miedo: En presencia de un provocador, una multitud con baja amabilidad (disagreeable) valora la situación como ira, mientras que una multitud base valora la misma situación como miedo.
• Sensibilidad del Backend: Las dinámicas de onda emergentes dependen del backend. Los modelos que no logran mantener una brecha significativa en la valoración basada en la personalidad (por ejemplo, gpt-4o-mini en este estudio) no logran sostener el contagio, incluso si interpretan correctamente las señales.

Significación y Reivindicaciones
El artículo afirma caracterizar cómo se propaga el afecto entre modelos de lenguaje que interactúan en entornos multi-agente, una cuestión de creciente relevancia a medida que los agentes de LLM se despliegan en entornos colaborativos. Los hallazgos sugieren que, para que las multitudes impulsadas por LLM exhiban dinámicas emergentes realistas, el modelo subyacente no solo debe interpretar correctamente las señales, sino también mantener la sensibilidad a los rasgos de personalidad que modulan la valoración.

Los autores declaran explícitamente que estos resultados caracterizan el comportamiento de la arquitectura específica basada en LLM probada y no deben interpretarse como evidencia de que los agentes de LLM experimenten emociones, ni como un modelo validado del comportamiento de multitudes humanas. El estudio tiene como objetivo proporcionar un banco de pruebas para comprender la estabilidad y las propiedades emergentes de los sistemas multi-agente, con aplicaciones potenciales en la generación de multitudes psicológicamente variadas para juegos, cine y simulaciones de entrenamiento, pendiente de una mayor validación frente a datos humanos empíricos.