⚡ electrical engineering

Opinion Consensus Formation Among Networked Large Language Models

Cet article étudie comment les modèles de langage de grande taille en réseau parviennent à un consensus par des échanges textuels multi-rounds, constatant que si leur dynamique de convergence s'aligne sur les modèles classiques de DeGroot concernant les taux de décroissance et la topologie du graphe, leurs opinions finales sont davantage dictées par les biais inhérents et les sujets de discussion que par les conditions initiales ou la centralité du réseau.

Auteurs originaux : Iris Yazici, Mert Kayaalp, Stefan Taga, Ali H. Sayed

Publié 2026-01-30

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Iris Yazici, Mert Kayaalp, Stefan Taga, Ali H. Sayed

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un groupe de 20 amis assis en cercle, chacun ayant une opinion différente sur un sujet controversé comme « Le Bitcoin est-il un bon investissement ? » ou « Devrions-nous devenir végétaliens ? ». Dans le monde réel, si ces amis discutaient entre eux pendant un certain temps, ils finiraient par s'entendre sur quelque chose.

Cet article pose une question simple : Si nous remplaçons ces amis humains par des agents conversationnels d'IA (chatbots), se comporteront-ils de la même manière ? Plus précisément, suivent-ils les mêmes règles mathématiques que les scientifiques utilisent depuis des décennies pour prédire comment des groupes humains parviennent à un accord ?

Voici le détail de ce que les chercheurs ont découvert, en utilisant des analogies simples :

1. Le vieux livre de règles (Le modèle de DeGroot)

Depuis longtemps, les mathématiciens utilisent un livre de règles appelé le modèle de DeGroot pour prédire les opinions d'un groupe. Voyez cela comme une moyenne pondérée.

La théorie : Si vous faites confiance à votre voisin à 50 % et à vous-même à 50 %, votre nouvelle opinion est la moyenne de la vôtre et de la sienne. Si vous êtes un « hub » dans le réseau (connecté à beaucoup de personnes), votre opinion devrait avoir plus de poids dans la décision finale du groupe.
La prédiction : L'opinion finale du groupe devrait être un mélange mathématique parfait des opinions de départ de chacun, pondéré par leur centralité dans le réseau.

2. L'expérience : Des amis IA dans un chat

Les chercheurs ont mis en place un terrain de jeu numérique avec 20 agents d'IA.

La configuration : Ils ont connecté ces IA selon différentes formes (certaines en un cercle serré, d'autres en une toile lâche).
Les règles : Ils ont dit aux IA : « Vous êtes soit "confiantes en vous" (vous vous faites plus confiance) soit "ouvertes d'esprit" (vous faites plus confiance aux autres). » Ils leur ont donné un sujet (comme le « Ghosting » ou l'« Édition génétique ») et les ont laissés discuter de manière répétée pendant 80 tours.
La mesure : Après chaque discussion, une IA distincte a joué le rôle de juge, évaluant le ton de la conversation de « Fortement contre » (-3) à « Fortement pour » (+3).

3. La grande surprise : L'effet « Chambre d'écho »

Les chercheurs ont découvert deux choses principales :

A. Elles finissent par se mettre d'accord, mais pas pour les raisons que nous pensions.
Tout comme le prédit le vieux livre de règles, les agents d'IA finissent par cesser de s'opposer. Leurs opinions convergent, et le « bruit » entre eux s'atténue de manière exponentielle (comme un écho qui s'estompe).

Cependant : L'opinion finale qu'ils atteignent ne correspond pas à la prédiction mathématique.
L'analogie : Imaginez un groupe de personnes essayant de deviner le poids d'une citrouille. La vieille mathématique dit que la devinette finale devrait être la moyenne de toutes les devinettes de départ. Mais dans cette expérience, les IA ont presque entièrement ignoré leurs opinions de départ. Au lieu de cela, elles se sont toutes mises d'accord sur un chiffre spécifique qui semblait provenir de l'intérieur de l'IA elle-même, et non de la discussion de groupe.

B. Le « Biais inhérent » est le véritable patron.
Pourquoi ont-elles ignoré la mathématique ? Parce que les IA possèdent des biais intégrés provenant de leur entraînement (les données qui leur ont été injectées avant l'expérience).

L'analogie : Imaginez que les IA sont comme des personnes ayant grandi dans une culture spécifique. Même si vous les placez dans une pièce avec des gens du monde entier, elles peuvent toutes secrètement pencher vers un point de vue culturel spécifique.
Le constat : Si le sujet était le « Bitcoin », les IA avaient tendance à être négatives, qu'elles aient commencé avec une opinion positive ou négative. Si le sujet était le « Végétalisme », elles penchaient vers le positif. Le sujet et l'entraînement interne de l'IA importaient bien plus que de savoir qui parlait à qui ou quelle était l'opinion de départ.

4. Qu'est-ce qui suivait réellement la vieille mathématique ?

Bien que la réponse finale soit erronée selon la vieille mathématique, la vitesse à laquelle elles se sont mises d'accord était parfaitement exacte.

L'analogie : Pensez à une pièce bondée où tout le monde crie. La vieille mathématique prédit exactement le temps qu'il faudra pour que la pièce devienne calme.
Le constat : Les chercheurs ont trouvé que le temps nécessaire pour que les IA cessent de se contredire correspondait parfaitement aux prédictions mathématiques. Si le réseau était plus connecté (plus d'amis parlant à plus d'amis), elles se mettaient d'accord plus vite. Si le réseau était clairsemé, cela prenait plus de temps. La « limite de vitesse » de l'accord était déterminée par la forme du réseau, tout comme la vieille mathématique le prédisait.

5. Le facteur de « Confiance en soi »

Les chercheurs ont également testé ce qui se passe si l'on dit explicitement aux IA : « Faites-vous confiance à 80 % et à vos amis à 20 %. »

Le résultat : Lorsque les IA ont reçu ces « poids de confiance » spécifiques, elles ont atteint un consensus beaucoup plus facilement. Lorsque les chercheurs ont supprimé ces instructions, les IA étaient plus chaotiques et divergeaient davantage à la fin. Il semble que donner aux agents d'IA des règles claires sur la façon dont ils doivent se faire confiance les aide à se stabiliser plus rapidement.

Résumé

Les agents d'IA parviennent-ils à un consensus ? Oui, ils cessent de se disputer et s'accordent sur un point.
La vieille mathématique prédit-elle ce sur quoi elles s'entendent ? Non. L'opinion finale est dictée par les biais cachés de l'IA et par le sujet, et non par les opinions de départ du groupe.
La vieille mathématique prédit-elle la vitesse à laquelle elles s'entendent ? Oui. La vitesse de l'accord dépend entièrement de la façon dont le réseau est connecté, tout comme la vieille mathématique le prédisait.

À retenir : Si vous voulez simuler un réseau social avec des IA, vous pouvez faire confiance aux mathématiques pour vous dire à quelle vitesse elles vont s'entendre, mais vous ne pouvez pas faire confiance aux mathématiques pour vous dire sur quoi elles vont s'entendre. La « personnalité » interne de l'IA (le biais) l'emporte sur la dynamique de groupe.

Résumé technique : Formation du consensus d'opinion parmi les modèles de langage de grande taille en réseau

Formulation du problème

Ce travail examine si les modèles mathématiques classiques de formation d'opinions, spécifiquement le cadre de consensus de DeGroot, peuvent prédire avec précision le comportement de groupe des modèles de langage de grande taille (LLM) agissant comme des agents dans un réseau. Bien que le modèle de DeGroot soit bien établi dans le traitement du signal et la théorie du contrôle pour décrire comment les agents atteignent un consensus par une moyenne répétée des opinions de leurs voisins, sa validation empirique dans des contextes sociaux réels est souvent limitée par le coût et la complexité de la collecte de données humaines. Les auteurs postulent que les LLM offrent un banc d'essai contrôlable et à faible coût pour modéliser ces dynamiques. Le problème central est double :

Déterminer si les agents LLM interagissant sur des graphes de communication présentent un comportement de consensus similaire aux réseaux sociaux humains.
Analyser si les mécanismes spécifiques du consensus des LLM (limitation des opinions et taux de convergence) s'alignent sur les prédictions théoriques de DeGroot, particulièrement en ce qui concerne l'influence des conditions initiales, de la topologie du réseau et des biais inhérents au modèle.

Méthodologie

Les auteurs ont construit un environnement de simulation multi-agents utilisant le framework AutoGen, en déployant Google Gemini 2.0 Flash comme LLM sous-jacent. La configuration expérimentale comprenait les composants suivants :

Topologie du réseau : Un réseau de $K=20$ agents a été simulé sur des graphes dirigés et pondérés. La topologie principale utilisée était le graphe aléatoire d'Erdős–Rényi avec des paramètres de connectivité ( $p$ ) variables, ainsi que des topologies entièrement connectées et circulaires (anneau) pour tester les extrêmes de connectivité.
Interaction des agents : Les agents échangeaient des messages textuels sur plusieurs tours (80 tours par expérience). Les poids d'interaction (niveaux de confiance attribués aux voisins et poids personnels) étaient imposés via des prompts système. Deux types de caractères d'agents ont été définis : « sûr de soi » (poids personnel plus élevé) et « ouvert d'esprit » (poids personnel plus faible).
Quantification de l'opinion : Pour mapper les réponses textuelles en croyances numériques, un LLM distinct et indépendant (gpt-5-nano) a effectué une analyse de sentiment sur toutes les réponses. Les opinions étaient scorées sur une échelle de $[-3, 3]$ (de « contre » à « pour ») et normalisées sur $[0, 1]$ .
Variables expérimentales : L'étude a fait varier les sujets de discussion (8 sujets distincts incluant le Bitcoin, l'euthanasie, le véganisme, etc.), les distributions d'opinions initiales (pour, neutre, contre) et la connectivité du graphe.
Jeu de données : Les auteurs ont compilé un ensemble de données de 764 expériences contenant plus de 1,2 million de réponses de LLM, couvrant 8 sujets et diverses configurations de réseau.

Résultats clés

1. Émergence du consensus et déclin du désaccord

Les expériences ont démontré que les agents LLM atteignent généralement un consensus. L'écart-type (STD) des scores de sentiment des agents a diminué de manière exponentielle au fil des tours d'interaction, approchant un état stationnaire proche de zéro. Ce taux de décroissance s'est avéré étroitement lié à la deuxième plus grande valeur propre du module ( $|\lambda_2|$ ) de la matrice de combinaison du graphe, s'alignant sur les prédictions de la théorie spectrale des graphes pour la vitesse de convergence.

2. Divergence par rapport aux prédictions de DeGroot

Malgré l'émergence d'un consensus, l'opinion limite (la valeur de consensus finale) divergeait significativement de la prédiction du modèle de DeGrot.

Insensibilité aux conditions initiales : Contra irement au théorème de DeGroot, qui stipule que le consensus final doit être une moyenne pondérée par la centralité de réseau des opinions initiales, le consensus des LLM était largement insensible aux conditions initiales.
Biais dépendant du sujet : Le point de consensus final dépendait fortement du sujet de discussion et des biais inhérents des LLM (probant probablement des phases de pré-entraînement et d'alignement). Par exemple, sur le sujet du Bitcoin, les LLM présentaient un biais négatif quel que soit le type de distribution initiale (« pour » ou « contre »), tandis que sur le véganisme, un biais positif émergeait.
Précision du modèle : Lors de la comparaison des opinions finales des LLM aux prédictations de DeGroot, l'erreur quadratique moyenne (RMSE) était de 0,32. La précision de classification basée sur le modèle de DeGroot était d'environ 32 % pour la classification ternaire et de 60 % pour la classification binaire, les deux étant comparables ou seulement légèrement meilleures qu'un choix aléatoire.

3. Impact des prompts système et des poids

L'étude a constaté que l'imposition explicite des poids de la matrice de combinaison via des prompts système augmentait considérablement la probabilité d'atteindre un consensus. Les expériences « pondérées » (où les poids personnels étaient explicitement définis) ont abouti à un STD de désaccord final de 0,083, tandis que les expériences « non pondérées » (où les poids spécifiques étaient retirés des prompts) ont entraîné une diversité finale nettement plus élevée de 0,165.

4. Taux de convergence et théorie des graphes

Bien que la valeur du consensus ne corresponde pas à la théorie de DeGroot, le taux de convergence, lui, le faisait. Le « temps de demi-vie » du désaccord (le nombre de tours requis pour que la variance de l'opinion soit réduite de moitié) a été empiriquement montré comme étant proportionnel à $\frac{\ln 2}{-\ln |\lambda_2|}$ . Cela confirme que les dynamiques transitoires des réseaux de LLM suivent les résultats établis de la théorie des graphes, même si l'équilibre de l'état stationnaire ne les suit pas.

Signification et affirmations

L'article affirme que, bien que les LLM puissent servir de bancs d'essai efficaces et à faible coût pour simuler la dynamique des réseaux sociaux, leur comportement de consensus diffère fondamentalement des modèles classiques en termes de résultats à l'état stationnaire.

Dominance du biais : Les auteurs soulignent que dans les réseaux de LLM, les biais inhérents aux modèles et la sensibilité aux sujets l'emportent sur l'influence des conditions initiales et de la centralité du réseau, qui sont pourtant centrales dans le modèle de DeGroot.
Dynamiques de convergence : L'étude valide que la vitesse du consensus dans les réseaux de LLM est régie par les propriétés spectrales du graphe de communication (spécifiquement $|\lambda_2|$ ), suggérant que la théorie classique des graphes reste utile pour concevoir des applications multi-agents de LLM économes en ressources où le timing du consensus est critique.
Efficacité des ressources : La compréhension de ces taux de convergence permet de mieux estimer le nombre de tours d'interaction nécessaires pour atteindre un consensus sous des contraintes de coût dans les systèmes multi-agents.

Les auteurs concluent que ces découvertes aident à clarifier le potentiel des LLM pour la recherche en simulation sociale et guident la conception de systèmes multi-agents, tout en notant que des travaux supplémentaires sont nécessaires pour explorer les agents stratégiques et d'autres architectures de LLM.