🤖 AI

ScioMind: Cognitively Grounded Multi-Agent Social Simulation with Anchoring-Based Belief Dynamics and Dynamic Profiles

ScioMind एक संज्ञानात्मक रूप से आधारित मल्टी-एजेंट सिमुलेशन फ्रेमवर्क है जो मेमोरी-एंकरड बिलीफ अपडेट्स, पदानुक्रमित मेमोरी आर्किटेक्चर और डायनेमिक एजेंट प्रोफाइल्स को एकीकृत करके सामाजिक राय की गतिशीलता की व्यवहारिक यथार्थता को बढ़ाता है ताकि LLM-आधारित सिमुलेशन में विषम व्यक्तित्वों और स्थिर विश्वास प्रक्षेप पथों का बेहतर मॉडल बनाया जा सके।

मूल लेखक: Yitian Yang, Yiqun Duan, Linghan Huang, Yiqi Zhu, Francesco Bailo, Chunmeizi Su, Huaming Chen

प्रकाशित 2026-05-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yitian Yang, Yiqun Duan, Linghan Huang, Yiqi Zhu, Francesco Bailo, Chunmeizi Su, Huaming Chen

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह समझना चाहते हैं कि लोग बहस कैसे करते हैं, अपना मन कैसे बदलते हैं, या राजनीति या सामाजिक मुद्दों जैसे ज्वलंत विषयों पर अपनी बात पर कैसे अड़े रहते हैं। पारंपरिक रूप से, वैज्ञानिकों ने इसका अनुकरण करने के लिए सरल गणितीय मॉडल का उपयोग किया है, लेकिन वे मॉडल शतरंज खेलने जैसा है जिसमें केवल दो प्रकार के मोहरे होते हैं: वे वास्तविक मनुष्यों के सोचने के जटिल, भावनात्मक और अव्यवस्थित तरीके को पकड़ने के लिए बहुत कठोर हैं।

दूसरी ओर, लोगों के अनुकरण के लिए उन्नत एआई (लार्ज लैंग्वेज मॉडल्स) का उपयोग करना एक सुपर-स्मार्ट दिमाग देने जैसा है, लेकिन बिना किसी व्यक्तित्व या स्मृति के। ये एआई एजेंट बहुत आसानी से अपना मन बदल लेते हैं, जिससे सभी मतभेदों को मिटाकर एक उबाऊ, तटस्थ मध्य मार्ग बन जाता है। यह वास्तविक जीवन जैसा नहीं दिखता, जहाँ लोग अक्सर हठपूर्वक विभाजित रहते हैं।

SCIOMIND में आपका स्वागत है।

इस शोध पत्र के लेखकों ने SCIOMIND नामक एक नया सिमुलेशन फ्रेमवर्क बनाया है। इसे एक "डिजिटल समाज" के रूप में समझें जहाँ प्रत्येक एआई एजेंट केवल एक चैटबॉट नहीं है; वे एक पृष्ठभूमि (बैकस्टोरी), एक व्यक्तित्व और एक ऐसी स्मृति वाले पात्र हैं जो वास्तव में मायने रखती है।

यह कैसे काम करता है, इसे तीन सरल विचारों में विभाजित किया गया है:

1. "एंकरिंग" प्रभाव (भारी लंगर)

वास्तविक जीवन में, यदि आपने अपने जीवन के अनुभवों के आधार पर लंबे समय से किसी चीज़ में विश्वास किया है, तो आपको बदलने के लिए मनाना कठिन होता है। आपके पास अपनी राय को थामे रखने के लिए एक "एंकर" (लंगर) होता है।

शोध का नवाचार: SCIOMIND प्रत्येक एआई एजेंट को एक मेमोरी एंकर (स्मृति लंगर) देता है। यह एंकर उनके पिछले अनुभवों और यादों से बना होता है।
उपमा: कल्पना कीजिए कि प्रत्येक एजेंट एक नाव है। लंगर उनका अतीत है। यदि लंगर भारी है (मजबूत व्यक्तित्व या गहरा अनुभव), तो नाव अधिक नहीं हिलती, भले ही हवा (दूसरे लोगों की राय) जोर से चले। यदि लंगर हल्का है, तो नाव आसानी से बह जाती है।
यह क्यों महत्वपूर्ण है: यह एआई को बहुत जल्दी अपना मन बदलने से रोकता है। यह एक ऐसा "हठ" पैदा करता है जो वास्तविक लगता है, जिससे सिमुलेशन उस उबाऊ सर्वसम्मति में नहीं गिरता जहाँ हर कोई तुरंत सहमत हो जाता है।

2. "चार-परत" वाली स्मृति (फाइलिंग कैबिनेट)

वास्तविक मनुष्य केवल यह याद नहीं रखते कि पांच मिनट पहले क्या हुआ था; हमारे पास दीर्घकालिक स्मृतियाँ होती हैं, हम अपने दिन पर विचार करते हैं, और वर्तमान बातचीत के लिए हमारी एक "वर्किंग मेमोरी" होती है।

शोध का नवाचार: SCIOMIND एजेंटों को चार परतों वाली एक जटिल स्मृति प्रणाली देता है:
1. एपिसोडिक (Episodic): अल्पकालिक स्मृति (चैट में अभी क्या हुआ)।
2. सिमेंटिक (Semantic): दीर्घकालिक स्मृति (तथ्यों और पिछले विश्वासों का पुस्तकालय)।
3. प्रोसीजरल (Procedural): व्यवहार करने के "नियमों" का एक सेट (जैसे टू-डू लिस्ट)।
4. रिफ्लेक्शन (Reflection): एक विशेष स्मृति जहाँ एजेंट इस बारे में सोचता है कि उसने अपना मन क्यों बदला या वह कैसा महसूस कर रहा है।
उपमा: इसे एक जासूस की केस फाइल के रूप में सोचें। उनके पास वर्तमान सुराग के लिए स्टिकी नोट्स (Episodic), पिछले मामलों का एक विशाल संग्रह (Semantic), जांच करने के नियमों की एक नियम पुस्तिका (Procedural), और एक जर्नल है जहाँ वे अपने सिद्धांतों को लिखते हैं (Reflection)। यह एआई को केवल अंतिम वाक्य के आधार पर नहीं, बल्कि एक समृद्ध इतिहास के आधार पर निर्णय लेने में मदद करता है।

3. डायनेमिक प्रोफाइल्स (जीवित चरित्र)

आमतौर पर, एआई एजेंटों को "पुरुष, 30 वर्ष, वकील" जैसा एक स्थिर लेबल दिया जाता है। वे हमेशा वैसे ही रहते हैं।

शोध का नवाचार: SCIOMIND डायनेमिक प्रोफाइल्स वाले एजेंट बनाता है। उनके व्यक्तित्व (जैसे कि वे कितने खुले विचारों वाले या व्यवस्थित हैं) वास्तविक दुनिया के डेटा और विशिष्ट समूहों के मिश्रण से लिए जाते हैं। उनके विश्वास और उन विश्वासों को रखने के उनके कारण विकसित हो सकते हैं।
उपमा: हर अभिनेता को एक ही स्क्रिप्ट और पोशाक देने के बजाय, SCIOMMIND उन्हें एक अनूठा जीवन परिचय, डर और आशाओं का एक विशिष्ट सेट देता है, और उन्हें इस आधार पर सुधार (इम्प्रोवाइज़) करने देता है कि वे किससे बात कर रहे हैं।

उन्होंने क्या पाया? (परिणाम)

शोधकर्ताओं ने इस प्रणाली का परीक्षण वास्तविक दुनिया की बहसों पर किया, जैसे कि रो बनाम वेड (गर्भपात के अधिकार) का पलटना और ऑस्ट्रेलिया में एक प्रस्तावित सोशल मीडिया प्रतिबंध।

यथार्थवाद: सिमुलेशन ने सफलतापूर्वक ध्रुवीकरण (समूहों का अधिक चरम होना) और इको चैंबर्स (लोग केवल उन्हीं को सुनना जो उनसे सहमत हैं) को पुन: निर्मित किया, जो वास्तविक जीवन में आम हैं लेकिन एआई से ऐसा करवाना कठिन है।
स्थिरता: "एंकरिंग" विशेषता के बिना, एआई एजेंट जल्दी ही एक-दूसरे से सहमत हो जाते और उबाऊ रूप से तटस्थ हो जाते। एंकरिंग के साथ, उन्होंने विशिष्ट, हठी दृष्टिकोण बनाए रखे, ठीक वैसे ही जैसे वास्तविक मनुष्य करते हैं।
व्यक्तित्व मायने रखता है: सिमुलेशन ने दिखाया कि "ओपन" (खुले विचारों वाले) व्यक्तित्व वाले एजेंट अधिक बार अपना मन बदलते हैं, जबकि "कॉन्शियसनेस" (कर्तव्यनिष्ठ) व्यक्तित्व वाले एजेंट अपनी बात पर अड़े रहते हैं। यह वास्तविक मनोवैज्ञानिक अध्ययनों से मेल खाता है।

मुख्य निष्कर्ष

यह शोध पत्र तर्क देता है कि वास्तविक मानव समाज का अनुकरण करने के लिए, आपको केवल स्मार्ट एआई की आवश्यकता नहीं है। आपको उस एआई को एक स्मृति, एक व्यक्तित्व, और उसके अतीत पर आधारित एक हठी लंगर देने की आवश्यकता है। SCIOMIND ऐसा करता है, एक ऐसा डिजिटल समाज बनाता है जो बहस करता है, असहमत होता है, और विकसित होता है जो वास्तविक मानवीय राय की अस्त-व्यस्त और दिलचस्प दुनिया के बहुत करीब दिखता है।

सीमाओं पर नोट: लेखक सावधानी बरतते हुए कहते हैं कि हालांकि यह वास्तविक जीवन जैसा दिखता है, फिर भी यह एक सिमुलेशन है। यह चुनावी परिणामों की सटीक भविष्यवाणी नहीं कर सकता या मानवीय भावना की पूरी गहराई (जैसे अत्यधिक क्रोध या घृणा भाषण) को नहीं पकड़ सकता क्योंकि एआई को सुरक्षित और विनम्र रहने के लिए प्रोग्राम किया गया है। यह अध्ययन करने के लिए एक उपकरण है कि विचार कैसे बन सकते हैं, न कि भविष्य के लिए कोई क्रिस्टल बॉल।

SCIOMIND का तकनीकी सारांश: संज्ञानात्मक रूप से आधारित बहु-एजेंट सामाजिक सिमुलेशन

समस्या विवरण

सामाजिक जनमत गतिशीलता (social opinion dynamics) के अध्ययन के लिए वर्तमान में उपलब्ध लार्ज लैंग्वेज मॉडल (LLM) आधारित बहु-एजेंट सिमुलेशन दो विपरीत सीमाओं से ग्रस्त हैं: या तो वे सीमित संज्ञानात्मक आधार वाले निश्चित, सरलीकृत अपडेट नियमों (पारंपरिक एजेंट-आधारित मॉडल) पर निर्भर करते हैं, या वे विश्वास परिवर्तन (belief change) को पूरी तरह से अनियंत्रित LLM इंटरैक्शन को सौंप देते हैं। दूसरे दृष्टिकोण में अक्सर "ओवर-स्मूथिंग" (over-smoothing) देखी जाती है, जहाँ एजेंट बहुत तेज़ी से तटस्थ या सर्वसम्मत स्थितियों की ओर बढ़ जाते हैं, जिससे निरंतर असहमति, सीमित ध्रुवीकरण और वास्तविक मानव बहसों में देखे जाने वाले सूक्ष्म तर्क प्रक्रियाओं को पकड़ने में विफलता होती है। इसके अलावा, मौजूदा प्रणालियों में आमतौर पर विश्वास प्रभाव गतिशीलता (belief influence dynamics), परिवर्तन के प्रति प्रतिरोध के तंत्र, और स्थिर जनसांख्यिकीय प्रोफाइल से परे गतिशील रूप से विकसित होने वाले आंतरिक गुणों का स्पष्ट प्रतिनिधित्व नहीं होता है।

कार्यप्रणाली

लेखक SCIOMIND पेश करते हैं, जो एक ढांचा है जो संरचित जनमत गतिशीलता को LLM-आधारित तर्क के माध्यम से जोड़ता है, जिसमें तीन मुख्य वास्तुशिल्प घटक शामिल हैं:

1. एंकरिंग-आधारित विश्वास गतिशीलता (Anchoring-Based Belief Dynamics)

संज्ञानात्मक मनोविज्ञान में एंकरिंग प्रभाव (anchoring effect) से प्रेरित होकर, SCIOMIND विश्वास अपडेट को एक मेमोरी-एंकर प्रक्रिया के रूप में मॉडल करता है। एजेंट $i$ का समय $t$ पर विश्वास $b_{i,t}$ को सामाजिक प्रभाव, स्व-भार (self-weight), और एक एंकर पुल (anchor pull) के भारित संयोजन के माध्यम से अपडेट किया जाता है:
$b_{i,t+1} = (1-\rho_i) \left[ (1-\lambda_i)b_{i,t} + \lambda_i S_{i,t} \right] + \rho_i m_{i,t}$

सामाजिक प्रभाव ( $S_{i,t}$ ): यह बाउंडेड कॉन्फिडेंस के तहत ट्रस्ट-वेटेड प्रभाव और विश्वास होमोफिली (belief homophily) को समाहित करता है।
एंकरिंग स्ट्रेंथ ( $\rho_i$ ): एजेंट के 'बिग फाइव' व्यक्तित्व लक्षणों (विशेष रूप से ओपननेस और कॉन्सिएंशियसनेस) से सिग्मॉइड मैपिंग के माध्यम से प्राप्त किया जाता है। यह परिवर्तनीयता में विषमता (heterogeneity) पेश करता है; उदाहरण के लिए, कम ओपननेस और उच्च कॉन्सिएंशियसनेस परिवर्तन के प्रति प्रतिरोध को बढ़ाता है।
डायनेमिक एंकर ( $m_{i,t}$ ): स्थिर प्रारंभिक एंकरों के विपरीत, यह संदर्भ बिंदु दीर्घकालिक स्मृति में एजेंट के संचित अनुभव के आधार पर विकसित होता है।

2. संज्ञानात्मक रूप से आधारित मेमोरी आर्किटेक्चर

यह प्रणाली संज्ञानात्मक विज्ञान के BDI मॉडलों से प्रेरित चार-स्तरीय मेमोरी सिस्टम को लागू करती है:

एपिसोडिक मेमोरी (Episodic Memory): हालिया इंटरैक्शन का एक निश्चित-क्षमता वाला स्लाइडिंग विंडो (वर्किंग मेमोरी)।
सिमेंटिक मेमोरी (Semantic Memory): FAISS द्वारा इंडेक्स किया गया एक असीमित, कॉर्पस-सीडेड स्टोर। इसे एक अद्वितीय अनुभवात्मक इतिहास के साथ इनिशियलाइज़ किया जाता है जिसे सोशल-मीडिया-आधारित कॉर्पस से पुनर्प्राप्त किया जाता है, जो विश्वास एंकरों के आधार के रूप में कार्य करता है।
प्रोसीजरल मेमोरी (Procedure Memory): पूर्व-शर्तों, प्राथमिकता और इमोशन मॉड्यूलेशन फंक्शन द्वारा परिभाषित निष्पादन योग्य रूटीन का एक सेट।
रिफ्लेक्शन मेमोरी (Reflection Memory): एजेंट प्रत्येक 'टिक' के बाद विश्वास बदलावों और आत्मविश्वास स्तरों को सारांशित करने के लिए आत्म-चिंतन (self-reflections) उत्पन्न करते हैं। ये प्रतिबिंब एंकरिंग मॉड्यूल में फीडबैक देते हैं, जिससे एक क्लोज्ड लूप बनता है जहाँ संचित प्रतिबिंब विश्वास एंकरों को मजबूत करता है।

3. डायनेमिक एजेंट प्रोफाइल और सिमुलेशन इंजन

स्थिर जनसांख्यिकीय लेबल के बजाय, एजेंटों को एक रिट्रीवल पाइपलाइन से प्राप्त डायनेमिक प्रोफाइल दिए जाते हैं जो एक सोशल मीडिया कॉर्पस पर आधारित है। इन प्रोफाइल्स में नैरेटिव आइडेंटिटी, ग्रुप-कंडीशन्ड OCEAN पर्सनैलिटी प्रायर्स और रैशनल क्लस्टर्स शामिल हैं।

रिलेशनशिप माइनिंग: इंजन लेटेंट सोशल सर्कल्स (साझा गुण, रुख, रुचियां) और फीचर समानता के आधार पर सामाजिक नेटवर्क का निर्माण करता है, जिससे ट्रस्ट वेट और रिलेशनशिप टाइप (जैसे मित्र, इन्फ्लुएंसर) असाइन किए जाते हैं।
परिदृश्य-संरेखित सैंपलिंग (Scenario-Aligned Sampling): सिस्टम संतुलित या विशिष्ट स्टैंड्स वितरण के साथ सिमुलेशन को इनिशियलाइज़ करने के लिए विभिन्न सैंपलिंग रणनीतियों (स्तरीकृत, कोटा, स्नोबॉल) का समर्थन करता है।

सिमुलेशन लूप इन घटकों को एक ह्यूमन-इन-द-लूप कैलिब्रेशन स्टेप के साथ एकीकृत करता है, जहाँ डोमेन विशेषज्ञ एंकरिंग स्ट्रेंथ और बाउंडेड कॉन्फिडेंस जैसे मापदंडों को परिष्कृत करने के लिए उभरते पैटर्न (ध्रुवीकरण, क्लस्टरिंग) का मूल्यांकन करते हैं।

मुख्य योगदान

एंकरिंग-आधारित विश्वास गतिशीलता: एक अभिनव अपडेट नियम जहाँ राय परिवर्तन के प्रति प्रतिरोध को मेमोरी से प्राप्त व्यक्तित्व-कंडीशन्ड एंकरिंग स्ट्रेंथ द्वारा गतिशील रूप से नियंत्रित किया जाता है।
संज्ञानात्मक मेमोरी आर्किटेक्चर: एक चार-स्तरीय मेमोरी सिस्टम जो विश्वास निर्माण और दृढ़ता को स्पष्ट रूप से एपिसोडिक, सिमेंटिक, प्रोसीजरल और रिफ्लेक्शन तंत्र से जोड़ता है।
डायनेमिक एजेंट प्रोफाइल: एक पाइपलाइन जो स्थिर पर्सोना को कॉर्पस से प्राप्त नैरेटिव आइडेंटिटी और विकसित होने वाले, आंतरिक रूप से ग्राउंडेड एजेंट प्रोफाइल बनाने के लिए ग्रुप-कंडीशन्ड OCEAN प्रायर्स के साथ बदल देती है।
मूल्यांकन ढांचा: एक ह्यूमन-इन-द-लूप डिज़ाइन जो व्यवहारिक यथार्थवाद और व्याख्यात्मकता में सुधार करने के लिए वास्तविक दुनिया की सामाजिक गतिशीलता के विरुद्ध सिमुलेशन मापदंडों को कैलिब्रेट करता है।

परिणाम और मूल्यांकन

लेखकों ने Roe v. Wade के पलटने, ऑस्ट्रेलिया के सोशल मीडिया प्रतिबंध और अमेरिकी राष्ट्रपति चुनाव सहित वास्तविक दुनिया की नीतिगत बहसों पर केस स्टडीज के माध्यम से SCIOMIND का मूल्यांकन किया।

व्यवहारिक यथार्थवाद (Behavioral Realism): फ्रेमवर्क ने बेसलाइन्स की तुलना में ध्रुवीकरण, विविधता, एक्सट्रीमइजेशन (extremization) और ट्रेजेक्टरी स्थिरता के मेट्रिक्स में लगातार सुधार किया।
एंकरिंग प्रभाव: Roe v. Wade के मामले में, सिमुलेशन ने निरंतर लेकिन बाउंडेड असहमति (वेरिएंस: $0.3559 \pm 0.003$ ) और एक बाइमॉडल (bimodal) राय संरचना बनाए रखी, जिससे गैर-एंकर वाले मॉडलों में देखी गई तीव्र सर्वसम्मति से बचाव हुआ।
व्यक्तित्व-निर्भर परिवर्तनीयता: उच्च ओपननेस और कम एंकरिंग स्ट्रेंथ वाले एजेंटों ने कम ओपननेस और उच्च एंकरिंग स्ट्रेंथ वाले एजेंटों की तुलना में 3-4 गुना अधिक बार अपनी राय बदली, जो मानव व्यवहार पैटर्न को दर्शाता है।
एब्लेशन अध्ययन (Ablation Studies): एंकरिंग घटक को हटाने से "ओवर-स्मूथिंग" हुई, जहाँ एजेंट एक सामान्य तटस्थ क्षेत्र में सिमट गए। एंकरिंग जोड़ने से मध्यम एक्सट्रीमइजेशन और स्थिर रेडिकलाइजेशन पैटर्न बहाल हो गया।
कारण विश्लेषण (Causal Analysis): ऑस्ट्रेलिया सोशल मीडिया प्रतिबंध सिमुलेशन में, सिस्टम ने दिखाया कि अभिसरण (convergence) यूनिफॉर्म शिफ्ट के बजाय विशिष्ट स्टैंड समूहों में अलग-अलग विश्वास आंदोलनों के माध्यम से हुआ, जहाँ एजेंडा-सेटिंग "यूथ मेंटल हेल्थ" जैसे विशिष्ट इश्यू हब के आसपास केंद्रित थी।

महत्व और दावे

पेपर का दावा है कि SCIOMIND संज्ञानात्मक विज्ञान के सिद्धांतों को एकीकृत करके वर्तमान दृष्टिकोणों में अस्थिरता और वास्तविकता की कमी को संबोधित करते हुए LLM-आधारित सामाजिक सिमुलेशन के लिए एक नया समाधान प्रदान करता है।

संज्ञानात्मक आधार (Cognitive Grounding): डिज़ाइन एक ऐसा तंत्र प्रदान करता है जहाँ विश्वास दृढ़ता (persistence) मनमाने जड़त्व (inertia) के बजाय संचित अनुभव (एंकर) से उत्पन्न होती है, जो राजनीतिक मनोविज्ञान में रिपोर्ट किए गए पैटर्न के अनुरूप है।
स्थिरता और यथार्थवाद: फ्रेमवर्क सफलतापूर्वक विचारों के "ओवर-स्मूथिंग" को रोकता है, जिससे इको चैंबर्स, व्यक्तित्व-निर्भर परिवर्तनीयता और मेमोरी-संचालित विश्वास दृढ़ता का उदय होता है जो गुणात्मक रूप से वास्तविक दुनिया की घटनाओं के समान है।
व्याख्यात्मकता (Interpretability): विश्वास अपडेट और मेमोरी रिट्रीवल को संरचित करके, सिस्टम पूर्व मान्यताओं के प्रति जनसंख्या के लचीलेपन और प्रभावी बाउंडेड-कॉन्फिडेंस स्तरों का अनुमान लगाने के लिए व्याख्या योग्य मॉडल प्रदान करता है।

लेखक इस बात पर जोर देते हैं कि जबकि सिमुलेशन मुद्दा-आधारित तर्क के वास्तविक दुनिया के गुणात्मक पैटर्न को कैप्चर करता है, यह विशिष्ट चुनावी परिणामों के प्रमाणित पूर्वानुमान के बजाय समस्या-आधारित तर्क का एक खोजपूर्ण पुनर्निर्माण है, विशेष रूप से LLM ट्रेनिंग डेटा में विविध सांस्कृतिक और सामाजिक-आर्थिक संदर्भों के प्रतिनिधित्व के संबंध में सीमाओं को नोट करते हुए।