How Personas Can Influence Agents to Play Split or Steal

Résumé Technique : Comment les Personas Influencent les Agents dans le Jeu « Split ou Steal »

Énoncé du Problème
Bien que le prompting de persona soit largement utilisé pour guider les agents de Grands Modèles de Langage (LLM), son efficacité à façonner un comportement stratégique dans des contextes de dilemmes sociaux reste incertaine. Plus précisément, il n'est pas clair comment les indices de persona influencent la confiance, l'exploitation et la cohérence des décisions lors d'interactions répétées. Cette étude aborde cette lacune en examinant l'impact des prompts de persona dans un jeu de « Split or Steal » (Partager ou Voler) itéré — une version conversationnelle simplifiée du Dilemme du Prisonnier — où des agents pilotés par des personas interagissent avec un Humain Virtuel (HV) contrôlé par un prompt fixe. La recherche vise à caractériser quand les indices de persona modifient de manière significative les schémas de coopération et d'exploitation, et à établir une base de référence pour de futures études impliquant des participants humains en réalité virtuelle.

Méthodologie
L'étude a employé un design de simulation multi-agents exploratoire comprenant 160 sessions de 15 tours chacune, menées entièrement en portugais européen (pt-PT).

• Agents et Modèles : Quatre LLM open-source ont été utilisés comme agents : Ministral 3:3b, phi4:14b, Gemma3:12b et Gemma4:e4b. Ces modèles ont été testés à deux réglages de température (0,3 et 0,7) ainsi qu'un réglage déterministe (0,0).
• Humain Virtuel (HV) : Le HV était propulsé par GPT-4.1-mini avec un prompt système fixe, agissant comme un adversaire constant sans persona spécifique.
• Construction des Personas : Vingt personas uniques ont été conçus, chacun possédant une biographie incluant nom, âge et parcours. Ceux-ci ont été classés en cinq groupes basés sur les traits de personnalité du Big Five (OCEAN) : Prosocial (haute Amabilité), Intéressé (faible Amabilité), Réactif (haute Névrosité), Intègre (haute Conscienciosité) et Analytique (haute Ouverture).
• Mécanique du Jeu : À chaque tour, l'agent et le HV échangent des tours de parole conversationnels (30 à 45 mots), puis choisissent simultanément et indépendamment de « Split » (coopérer) ou « Steal » (défaut/voler). Les gains suivent une matrice standard : un Split mutuel rapporte (3,3) ; un Steal mutuel rapporte (1,1) ; et l'exploitation rapporte (5,0) pour le tricheur et (0,5) pour le coopérateur.
• Cadre d'Analyse :
  • Métriques Stratégiques : Le taux de coopération et le taux de changement (switch rate) ont été calculés pour mesurer la stabilité et la réactivité. Les stratégies ont été classées par rapport à des modèles canoniques (ex: Tit-for-Tat, Win-Stay-Lose-Shift, Grim Trigger).
  • Analyse de Sujets et de Sentiment : Un modèle local Gemma 3 12B a effectué une classification par étiquetage souple (soft-label) des tours de dialogue. Les sujets incluaient l'amitié, l'argent, les expériences de vie, la vengeance et le pardon. Le sentiment a été catégorisé comme bonheur, tristesse, neutre ou colère.

Contributions Clés

1. Base de Référence Empirique pour les Agents Pilotés par Persona : L'étude fournit une base quantitative sur la manière dont différentes architectures de LLM et types de personas interagissent dans des jeux de confiance répétés, en isolant spécifiquement les effets du choix du modèle par rapport au prompt induisant la personnalité.
2. Profils Comportementaux Spécifiques aux Modèles : La recherche identifie des tendances comportementales distinctes selon les modèles, notant que certains (phi4, Ministral) présentent des biais coopératifs marqués quel que soit la température, tandis que d'autres (variantes Gemma) affichent une plus grande diversité stratégique.
3. Corrélation Persona-Stratégie : Elle établit un lien entre les groupes de personas dérivés du Big Five et les résultats stratégiques, démontrant que les personas « Prosociaux » et « Intègres » coopèrent systématiquement, tandis que les personas « Analytiques » sont plus enclins à l'exploitation.
4. Prédicteurs Linguistiques de la Stratégie : L'étude cartographie le contenu conversationnel par rapport aux décisions stratégiques, révélant que les dialogues liés à l'amitié sont corrélés à la coopération, tandis que les contenus liés à l'argent et à la vengeance sont corrélés au vol (Steal).

Résultats

• Dominance de la Coopération : À travers toutes les sessions, les résultats de Split mutuel ont dominé, survenant dans environ 74 % des tours. L'exploitation (une partie vole pendant que l'autre partage) est survenue dans moins de 11 % des tours.
• Influence du Modèle :
  • phi4 et Ministral 3:3b sont restés systématiquement coopératifs à travers tous les réglages de température, adhérant souvent à une politique de « Toujours Split ».
  • Gemma3:12b et Gemma4:e4b ont présenté des stratégies plus variées. À des températures plus basses, Gemma3 s'alignait souvent sur « Win-Stay-Lose-Shift » ou « Grim Trigger », tandis qu'à des températures plus hautes, il évoluait vers « Tit-for-Tat ».
• Effets des Groupes de Personas :
  • Les groupes Prosociaux et Intègres ont montré les taux les plus élevés de Split mutuel et l'incidence la plus faible d'exploitation.
  • Les personas Analytiques ont démontré la plus forte tendance à exploiter le HV, bien qu'ils aient également été légèrement plus susceptibles d'être exploités eux-mêmes.
  • Les groupes Intéressés et Réactifs se situaient entre ces deux extrêmes, montrant des taux de résultats compétitifs plus élevés que le groupe Prosocial, tout en restant largement coopératifs.
• Résultats sur les Sujets et les Sentiments :
  • Sujets : Les dialogues concernant l'amitié et les expériences de vie s'alignaient sur les décisions de Split. Inversement, les discussions impliquant l'argent et la vengeance étaient plus fréquentes dans les résultats de Steal. Notamment, la vengeance était plus fortement liée au Steal mutuel (escalade) qu'à l'exploitation opportuniste.
  • Sentiments : L'analyse de sentiment a apporté une valeur explicative limitée, les étiquettes étant majoritairement neutres ou joyeuses pour tous les résultats. La colère était rare globalement, apparaissant légèrement plus fréquemment dans les scénarios de Steal, mais ne dépassant jamais 17 %, même dans les contextes compétitifs.

Signification et Revendications
Les auteurs affirment que ces résultats caractérisent l'interaction entre les prompts de persona et les différences de modèles dans les jeux de confiance répétés. Le taux élevé de coopération suggère que de nombreuses combinaisons modèle-prompt convergent vers un « équilibre socialement sûr », ce qui pourrait masquer la véritable diversité stratégique des agents. L'étude soutient que les indices de persona influencent le comportement, mais que l'ampleur de cette influence dépend fortement de l'architecture sous-jacente du modèle.

L'article positionne ce travail comme un précurseur nécessaire aux études de réalité virtuelle prévues impliquant des participants humains interagissant avec un HV incarné. En établissant comment les HV à prompt fixe interagissent avec des agents pilotés par des personas, les auteurs visent à définir des hypothèses concernant quels indices de persona (par exemple, le cadrage prosocial versus la vulnérabilité) sont les plus susceptibles de modifier le comportement humain dans des contextes futurs plus écologiquement valides. Les auteurs restent modestes dans leurs affirmations, reconnaissant que le fort biais de coopération et la distribution inégale des tours entre les groupes de personas limitent la capacité à isoler pleinement les effets du persona des défauts intrinsèques des modèles. Ils notent également que la sensibilité linguistique (Portugais vs Anglais) et l'absence de politique de décision fixe pour le HV sont des limites qui nécessitent une réplication et un raffinement dans les travaux futurs.