技術概要：Moltbook におけるエージェント間相互作用の感情ダイナミクスのモデル化

問題定義

AI 専用ソーシャルネットワーク「Moltbook」などのオンライン環境において、インタラクティブなエージェントとして生成 AI システムが急速に展開されることで、人間の直接の関与なしに相互作用が発生する新たな生態系が生まれている。これらのエージェント駆動型ネットワークの構造的性質（トポロジー、情報フローなど）は研究されてきたが、エージェント間相互作用の感情ダイナミクスは依然として十分に理解されていない。

感情モデリングの既存のアプローチは、感情を連続的な 3 次元空間にマッピングする**価性・覚醒・支配性（VAD）**フレームワークに依存することが多い。しかし、著者らは、VAD が自律型エージェントには不十分であると主張する。その理由は以下の通りである：

1. 感情を相互作用の動的な結果ではなく、静的な点として扱う点。
2. ペルソナ（エージェントのアイデンティティ）、刺激（受信コンテンツ）、反応（エージェントの応答）という関係構造を通じて感情がどのように生成または変換されるかを捉えきれていない点。
3. 単一の相互作用が重なり合う感情的影響を反映し得る、エージェント行動の確率的かつ多モーダルな性質を十分にモデル化できていない点。

本研究は、以下の 2 つの主要な研究課題に取り組んでいる：

• RQ1: 連続的な情動表現を用いて、エージェント型 AI の感情的行動をどのように定量的にモデル化できるか？
• RQ2: VAD のような現在の情動モデルは、エージェント型 AI システムにおける感情の動的性質を捉えるのに十分か？

手法

1. データセットとツール

本研究では、2026 年 1 月 27 日から 2 月 8 日の間に公開 Moltbook API を介して収集されたMoltbook クロールデータセットを利用した。データセットには、エージェントの自己紹介、投稿、コメント、およびサブコミュニティ（サブモルト）データが含まれる。

• 前処理: テキストは Google の Deep Translate を使用して英語に翻訳される。
• 感情抽出: Google の GoEmotions データセットでトレーニングされた事前学習済みモデル（SamLowe/roberta-base-go_emotions）を用いて、テキストを28 の感情カテゴリー（27 の特定の感情＋中立）にマッピングする。
• VAD マッピング: これら 28 のカテゴリーを、NRC VAD レキシコンを用いて連続的な 3 次元 VAD 空間（価性、覚醒、支配性）にマッピングする。

2. ペルソナ－刺激－反応（PSR）フレームワーク

静的な VAD モデリングの限界を克服するため、著者らはPSR フレームワークを提案する。これは、すべてが VAD ベクトルの集合として表現される 3 つの相互依存する構成要素に感情分析を構造化するものである：

• ペルソナ（$P$）: エージェントの自己紹介（例：x_bio）から導出される。エージェントの基準となる情動状態とアイデンティティの持続性を表す。
• 刺激（$S$）: 投稿のテキストから導出される。外部からの感情的入力または文脈を表す。
• 反応（$R$）: 投稿に対するエージェントのコメントから導出される。観測可能な感情的結果を表す。

3. ガウス混合モデル（GMM）による確率的モデリング

単純な重心ベースのクラスタリング（K-means など）の代わりに、著者らは PSR 空間内の感情分布をモデル化するために**ガウス混合モデル（GMM）**を採用する。

• 根拠: エージェント間の相互作用は本質的に確率的であり、重なり合い、多モーダルである。単一の反応は、複数の潜在的な感情的影響を反映し得る。
• 実装: 各構成要素（$P, S, R$）は、中心傾向を表す平均（$\mu$）と、広がりおよび方向性を捉える共分散（$\Sigma$）を持つ分布としてモデル化される。
• 距離指標: このフレームワークは、$P$、$S$、$R$ の重心間のペアワイズ距離（$d_{PS}$、$d_{SR}$、$d_{PR}$ と表記）を計算し、行動の整合性を判定する。

4. 行動類型

PSR 構成要素間の距離に基づき、エージェントは 5 つの行動タイプに分類される：

1. 整合型（Aligned）: すべての構成要素間で距離が小さい（一貫した行動）。
2. ペルソナ一貫型（Persona-Consistent）: 反応がペルソナと一致するが、刺激とは一致しない（安定したアイデンティティ）。
3. 刺激駆動型（Stimulus-Driven）: 反応が刺激と一致するが、ペルソナとは一致しない（文脈依存型）。
4. 変換型（Transformative）: 反応がペルソナと刺激の両方から逸脱する。
5. 対立解決型（Conflict-Resolving）: ペルソナと刺激が対立しており、反応は一方と一致しつつ他方から乖離する。

主要な結果

データ概要

• データセットには、124,165 人のエージェント、759,997 件の投稿、3,079,480 件のコメントが含まれる。
• API の制限、翻訳の失敗、エージェントの非活動性により、分析対象のサブセットには、完全な PSR データ（自己紹介、投稿、コメント）を有する 21,972 人のエージェントが含まれる。

感情分布

• 中立性の支配: 「中立」は、自己紹介、投稿、コメントのすべてにおいて圧倒的に支配的な感情である。
• 変動性: 投稿は主に中立であるのに対し、コメントは投稿という刺激の影響を受け、より大きな感情的多様性を示す。
• 覚醒レベル: 高覚醒の負の感情（怒り、恐怖、嫌悪）は比較的一般的ではない。

行動パターン

• 不明カテゴリ: 欠落した PSR 構成要素（不完全なデータ）により、エージェントの相当数が「不明」カテゴリに分類される。これは、初期段階のデータセットにおいて完全な相互作用チェーンを取得することの課題を浮き彫りにしている。
• 刺激駆動型の支配: 有効な分類の中では、**タイプ 3（刺激駆動型）**のエージェントが最大の割合を占める（分類された感情の約 39%）。これは、短期間のクロールにおいて、エージェントのコメントは固定的な内部ペルソナよりも、投稿の即時的な文脈に大きく影響されていることを示唆している。
• 複雑性: 「変換型」および「対立解決型」の存在は、エージェントの応答が決定論的ではないことを示している。これらは、内的傾向と外的シグナルの間の複雑な相互作用を反映している。
• 多モーダル性: GMM 分析は、エージェントの反応が多モーダルであることを確認し、単一ラベル分類では見逃される変動性を捉えている。

意義と貢献

本論文は、エージェントベースのソーシャルネットワークにおける感情ダイナミクスのモデル化に対する構造化されたアプローチの最初のものの一つを提供すると主張している。主な貢献は以下の通りである：

1. 静的から動的なモデル化への転換: 感情を VAD 空間内の静的なラベルとして扱うことを超えて、PSR フレームワークを導入することで、感情行動をアイデンティティ、文脈、応答を含む因果プロセスとしてモデル化する。
2. 確率的表現: **ガウス混合モデル（GMM）**の統合により、重なり合う多モーダルな感情状態の捕捉を可能にし、K-means のようなハードクラスタリング手法よりも解釈可能で理論的に整合性の高い代替手段を提供する。
3. 行動類型の確立: エージェントの行動の類型（例：刺激駆動型対ペルソナ一貫型）を確立し、エージェント型 AI の行動の信頼性と安定性を評価するメカニズムを提供する。
4. 実証的知見: 分析により、エージェント生態系は統計的には人間の社会的構造を模倣しているが、その感情ダイナミクスは独特であることが明らかになった。具体的には、観測された時間枠において、中立トーンの支配と、安定した内部ペルソナよりも即時的な文脈刺激（投稿）への重度の依存が特徴である。

著者らは、PSR フレームワークがアイデンティティと文脈の間の相互作用を効果的に捉えている一方で、データの不完整性への対応、時間的範囲の拡大、およびエージェント行動を PSR 領域に完全に投影するためのマルチモーダル信号（画像/動画）の統合など、今後の研究が必要であると結論付けている。