How Personas Can Influence Agents to Play Split or Steal

Sintesi Tecnica: Come le Persona Influenzano gli Agenti nel Gioco "Split or Steal"

Definizione del Problema
Sebbene il prompting delle persone (persona prompting) sia ampiamente utilizzato per guidare gli agenti basati su Large Language Models (LLM), la sua efficacia nel plasmare il comportamento strategico in contesti di dilemma sociale rimane incerta. Nello specifico, non è chiaro come i segnali della persona influenzino la fiducia, lo sfruttamento e la coerenza decisionale nelle interazioni ripetute. Questo studio affronta tale lacuna esaminando l'impatto dei prompt di persona in un gioco iterato di "Split or Steal" (Dividi o Ruba) — una versione conversazionale semplificata del Dilemma del Prigioniero — in cui agenti guidati da una persona interagiscono con un Virtual Human (VH) controllato da un prompt fisso. La ricerca mira a caratterizzare quando i segnali della persona alterano significativamente i modelli di cooperazione e sfruttamento e a stabilire una base per studi futuri che coinvolgano partecipanti umani in realtà virtuale.

Metodologia
Lo studio ha impiegato un design di simulazione multi-agente esplorativo composto da 160 sessioni di 15 round ciascuna, condotte interamente in portoghese europeo (pt-PT).

• Agenti e Modelli: Quattro LLM open-source sono stati utilizzati come agenti: Ministral 3:3b, phi4:14b, Gemma3:12b e Gemma4:e4b. Questi modelli sono stati testati a due impostazioni di temperatura (0.3 e 0.7) e in un'impostazione deterministica (0.0).
• Virtual Human (VH): Il VH è stato alimentato da GPT-4.1-mini con un system prompt fisso, agendo come un avversario costante senza una specifica persona.
• Costruzione della Persona: Sono state progettate venti persone uniche, ciascuna con una storia comprensiva di nome, età e background. Queste sono state classificate in cinque gruppi basati sui tratti di personalità Big Five (OCEAN): Prosociale (alta Gradevolezza), Auto-interessato (bassa Gradevolezza), Reattivo (alta Nevroticità), Principiato (alta Coscienziosità) e Analitico (alta Apertura).
• Meccaniche di Gioco: In ogni round, l'agente e il VH si scambiavano turni conversazionali (30–45 parole), poi sceglievano simultaneamente e indipendentemente di "Split" (cooperare) o "Steal" (tradire). I payoff seguivano una matrice standard: il mutual Split produce (3,3); il mutual Steal produce (1,1); e lo sfruttamento produce (5,0) per chi tradisce e (0,5) per chi coopera.
• Framework di Analisi:
  • Metriche Strategiche: Il tasso di cooperazione e il tasso di switch sono stati calcolati per misurare stabilità e reattività. Le strategie sono state classificate rispetto a pattern canonici (ad es. Tit-for-Tat, Win-Stay-Lose-Shift, Grim Trigger).
  • Analisi di Topic e Sentiment: Un modello locale Gemma 3 12B ha eseguito la classificazione soft-label dei turni di dialogo. I topic includevano amicizia, denaro, esperienze di vita, vendetta e perdono. Il sentiment è stato categorizzato come felicità, tristezza, neutro o rabbia.

Contributi Chiave

1. Baseline Empirica per Agenti Guidati da Persona: Lo studio fornisce una base quantitativa su come diverse architetture di LLM e tipi di persona interagiscano in giochi di fiducia ripetuti, isolando specificamente gli effetti della scelta del modello rispetto alla personalità indotta dal prompt.
2. Profili Comportamentali Specifici per Modello: La ricerca identifica distinte tendenze comportamentali tra i modelli, notando che alcuni (phi4, Ministral) esibiscono forti bias cooperativi indipendentemente dalla temperatura, mentre altri (varianti Gemma) mostrano una maggiore diversità strategica.
3. Correlazione Persona-Strategia: Stabilisce un legame tra i gruppi di persone derivati dai Big Five e i risultati strategici, dimostrando che le persone "Prosociali" e "Principiate" cooperano costantemente, mentre le persone "Analitiche" sono più inclini allo sfruttamento.
4. Predittori Linguistici della Strategia: Lo studio mappa il contenuto conversazionale sulle decisioni strategiche, rivelando che il dialogo relativo all'amicizia correla con la cooperazione, mentre il contenuto relativo a denaro e vendetta correla con il tradimento (Steal).

Risultati

• Dominanza della Cooperazione: In tutte le sessioni, gli esiti di mutual Split hanno dominato, verificandosi in circa il 74% dei round. Lo sfruttamento (un partecipante che "Ruba" mentre l'altro "Divide") si è verificato in meno dell'11% dei round.
• Influenza del Modello:
  • phi4 e Ministral 3:3b sono rimasti costantemente cooperativi in tutte le impostazioni di temperatura, aderendo spesso a una politica di "Always Split".
  • Gemma3:12b e Gemma4:e4b hanno esibito strategie più variegate. A temperature più basse, Gemma3 si è spesso allineato con "Win-Stay-Lose-Shift" o "Grim Trigger", mentre a temperature più alte si è spostato verso "Tit-for-Tat".
• Effetti del Gruppo di Persona:
  • I gruppi Prosociale e Principiato hanno mostrato i tassi più alti di mutual Split e l'incidenza più bassa di sfruttamento.
  • Le persone Analitiche hanno dimostrato la maggiore tendenza a sfruttare il VH, sebbene siano state anche leggermente più propense a essere sfruttate a loro volta.
  • I gruppi Auto-interessato e Reattivo si sono collocati tra questi estremi, mostrando tassi di esiti competitivi più elevati rispetto al gruppo Prosociale, ma rimanendo ampiamente cooperativi.
• Risultati su Topic e Sentiment:
  • Topic: Il dialogo riguardante l'amicizia e le esperienze di vita era allineato con le decisioni di Split. Al contrario, le discussioni che coinvolgevano denaro e vendetta erano più prevalenti negli esiti di Steal. Notevolmente, la vendetta era più fortemente legata al mutual Steal (escalation) che allo sfruttamento opportunistico.
  • Sentiment: L'analisi del sentiment ha fornito un valore esplicativo limitato, poiché le etichette erano prevalentemente neutre o felici in tutti gli esiti. La rabbia è stata rara in generale, apparendo leggermente più frequente negli scenari di Steal, ma non superando mai il 17% anche nei contesti competitivi.

Significatività e Rivendicazioni
Gli autori affermano che questi risultati caratterizzano l'interazione tra i prompt di persona e le differenze tra i modelli nei giochi di fiducia ripetuti. L'alto tasso di cooperazione suggerisce che molte combinazioni modello-prompt convergano verso un "equilibrio sociale sicuro", potenzialmente mascherando la vera diversità strategica degli agenti. Lo studio asserisce che i segnali della persona influenzano il comportamento, ma l'entità di tale influenza dipende fortemente dall'architettura del modello sottostante.

Il documento posiziona questo lavoro come un necessario precursore per studi pianificati in realtà virtuale che coinvolgono partecipanti umani che interagiscono con un VH incarnato. Stabilendo come i VH con prompt fissi interagiscono con agenti guidati da una persona, gli autori mirano a definire ipotesi riguardanti quali segnali di persona (ad es. framing prosociale rispetto alla vulnerabilità) siano più probabili nel spostare il comportamento umano in contesti futuri più ecologicamente validi. Gli autori rimangono modesti nelle loro rivendicazioni, riconoscendo che il forte bias cooperativo e la distribuzione non uniforme dei round tra i gruppi di persona limitano la capacità di isolare completamente gli effetti della persona dai default del modello. Notano inoltre che la sensibilità linguistica (portoghese rispetto all'inglese) e la mancanza di una politica decisionale fissa per il VH sono limitazioni che richiedono replicazione e raffinamento nel lavoro futuro.