Computational Multi-Agents Society Experiments: Social Modeling Framework Based on Generative Agents

Dit artikel introduceert CMASE, een raamwerk voor computationele multi-agent-samenlevingsexperimenten dat generatieve agentmodellen combineert met virtuele etnografie om onderzoekers in staat te stellen zich als geïntegreerde deelnemers te begeven in virtuele sociale omgevingen voor causaal onderbouwde interventiemodellering.

De kern

Stel je voor dat je een regisseur bent van een gigantisch toneelstuk, maar in plaats van acteurs die scripts moeten uit het hoofd leren, gebruik je slimme robots die hun eigen rollen bedenken en improviseren. En het beste deel? Jij bent niet alleen de regisseur die achter de schermen staat; je kunt het podium oplopen, een rol spelen, en zien hoe je ingrepen het verhaal direct veranderen.

Dat is precies wat dit nieuwe onderzoek, genaamd CMASE, voorstelt. Het is een digitale speeltuin voor sociale wetenschappers, gebouwd met de kracht van moderne kunstmatige intelligentie (zoals de slimme chatbots die je misschien kent).

Hier is hoe het werkt, vertaald in alledaags taal:

1. Het Probleem: De "Zwarte Doos"

Vroeger, als wetenschappers wilden begrijpen hoe mensen zich in groepen gedragen, moesten ze vragenlijsten sturen of dure experimenten doen. Dat is lastig, duur en soms onethisch.
Daarna kwamen ze met computermodellen. Maar die waren vaak als een automatische kassa: je stopt geld erin (parameters), en er komt een bonnetje uit (een resultaat). De computer deed precies wat je hem vertelde, maar hij kon niet echt "menselijk" denken of improviseren. Het was saai en voorspelbaar.

2. De Oplossing: Een Levendige Wereld

De auteurs van dit paper hebben een nieuw systeem bedacht: CMASE.
Stel je dit voor als een digitaal bordspel (zoals Dungeons & Dragons), maar dan met duizenden slimme personages die elk hun eigen persoonlijkheid, gevoelens en doelen hebben.

• De Personages (Agents): Dit zijn geen simpele robots die alleen "links" of "rechts" gaan. Ze hebben een "geest" (aangedreven door grote taalmodellen). Ze kunnen boos worden, zich eenzaam voelen, plannen maken en praten met elkaar alsof ze echte mensen zijn.
• De Regisseur (Jij, de onderzoeker): In oude modellen zat de onderzoeker buiten de kast. In CMASE mag de onderzoeker in het spel stappen. Je kunt een personage zijn, een nieuwe regel toevoegen, of een crisis simuleren (bijvoorbeeld: "Het regent nu!" of "Er is een nieuwe wet gekomen") en direct zien hoe de hele groep daarop reageert.

3. Hoe werkt het in de praktijk? (Het Voorbeeld)

De onderzoekers hebben dit getest met een bekend sociaal vraagstuk: Hoe beïnvloedt groen (parken, bomen) het gevoel van eenzaamheid en wantrouwen in een stad?

• Het Experiment: Ze bouwden een virtuele stad. In de ene versie was er weinig groen, in de andere veel groen. Ze zetten 10 virtuele mensen (met verschillende beroepen, zoals een advocaat of een modeontwerper) in deze steden.
• Het Resultaat: De computersimulatie gaf precies hetzelfde antwoord als echte mensen in de echte wereld: in de stad met veel groen voelden de virtuele mensen zich minder eenzaam en wantrouwden ze elkaar minder.
• De Magie: Maar CMASE deed meer. Omdat de onderzoekers in het spel zaten, konden ze de virtuele mensen interviewen. Ze ontdekten dat sommige personages (zoals creatieve mensen) liever binnen bleven, terwijl anderen juist naar het park trokken om te praten. Dit soort diepgaande, menselijke details kun je met oude computermodellen niet vinden.

4. Waarom is dit zo cool?

• Het is een "Tijdmachine": Je kunt zien wat er gebeurt als je iets verandert, voordat je het in de echte wereld doet.
• Het is een "Spiegel": Het model is niet vooraf ingeblikt met regels. Het leert zich gedragen door de interacties. Als je een ruzie start, leert het systeem hoe die ruzie zich verspreidt, net als in het echte leven.
• Het is goedkoper: Het kost veel minder geld dan echte experimenten, en je kunt het oneindig vaak herhalen.

Samenvattend

CMASE is als het bouwen van een virtueel universum waar je kunt spelen met de regels van de samenleving. Het is alsof je een video-game hebt gemaakt, maar dan met een diep doel: om te begrijpen waarom mensen doen wat ze doen, en om te testen of onze plannen voor de toekomst (zoals meer parken bouwen) echt zullen werken.

Het maakt van de wetenschapper geen saaie rekenaar meer, maar een ontdekkingsreiziger die samen met slimme AI-agenten de menselijke natuur verkent.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Computational Multi-Agents Society Experiments: Social Modeling Framework Based on Generative Agents" in het Nederlands.

Titel: Computergestuurde Multi-Agent Maatschappij Experimenten (CMASE): Een Sociaal Modellering Framework op Basis van Generatieve Agenten

1. Het Probleem

Traditionele sociologisch onderzoeksmethoden, zoals vragenlijsten en psychologische experimenten, zijn kostbaar, moeilijk te schalen en brengen ethische risico's met zich mee. Bestaande computergestuurde benaderingen, zoals Agent-Based Modeling (ABM), lijden vaak onder een gebrek aan realisme omdat ze afhankelijk zijn van handmatig gedefinieerde, statische regels en wiskundige formules die de complexiteit van menselijk gedrag niet volledig kunnen nabootsen.

Hoewel Generative Agent-Based Modeling (GABM) met Large Language Models (LLMs) een stap vooruit is, blijven de meeste huidige systemen beperkt tot beschrijvende (simulatie van fenomenen) of voorspellende (voorspelling van uitkomsten) modellen. Er ontbreekt een kader voor omvattende modellering (comprehensive modeling), waarbij menselijke interventie in real-time plaatsvindt om de generatieve logica van sociale fenomenen te onderzoeken en te sturen. Bestaande systemen laten onderzoekers niet toe om zich dynamisch in te haken in de simulatie als deelnemer, maar beperken hen tot het opzetten van parameters en het analyseren van data achteraf.

2. Methodologie: Het CMASE Framework

CMASE (Computational Multi-Agents Society Experiments) is een nieuw framework dat LLM-gebaseerde agenten combineert met virtuele etnografische methoden. Het transformeert de simulatieomgeving in een "gesimuleerd etnografisch veld" waar de onderzoeker een ingebedde participant wordt. Het framework bestaat uit vier kerncomponenten:

• Environment Maker (Omgevingsmaker):

  • Een module die gebruikers toelaat om sociale omgevingen te definiëren via een raster-gebaseerde kaarteditor (geïnspireerd op tabletop role-playing games zoals D&D).
  • Ondersteunt het plaatsen van texturen (grond, muren, meubilair, items) en het definiëren van functionele attributen (bijv. een stoel die "comfort" toevoegt aan een agent).
  • Creëert gebieden (regio's en objecten) met specifieke beschrijvingen en interactiemogelijkheden.

• Environment (Omgeving):

  • De dynamische wereld die de simulatie uitvoert.
  • Werkt in discrete rondes (ongeveer 15 seconden real-time per ronde), waarbij agents één bewegingsactie en één standaardactie kunnen uitvoeren.
  • Berekent per ronde perceptuele informatie voor elke agent (zichtlijnen, nabijgelegen objecten, acties van anderen) en presenteert dit als gestructureerde tekstuele prompts.
  • Bevat een conflictoplossingsmechanisme voor gelijktijdige acties (bijv. meerdere agents die hetzelfde item willen pakken).
  • Menselijke Interventie: Onderzoekers kunnen de simulatie betreden, agents overnemen, of een "vrije actie-modus" gebruiken om de omgeving direct te manipuleren zonder de ronde-structuur.

• Agent (Agent):

  • Bestaat uit interne attributen en een actieruimte.
  • Affectieve Variabelen: Gebruikt het VAD-model (Valence, Arousal, Dominance) gebaseerd op de NRC VAD Lexicon. Emoties worden omgezet van tekstuele situaties naar kwantitatieve vectoren en vervolgens gediscretiseerd naar natuurlijke taalbeschrijvingen (bijv. "woedend") die het redeneren van de LLM beïnvloeden.
  • Cognitieve Variabelen: Omvat demografische data, langetermijn zelfbewustzijn (doelen) en kortetermijn situatiedetectie.
  • Geheugen: Werkgeheugen (recente acties), langetermijngeheugen (chronologische opslag van situaties) en objectgeheugen (interacties met specifieke items).
  • Actieruimte: Zeven actie-types, waaronder bewegen, objecten gebruiken, items overdragen en chatten.

• Event (Gebeurtenis):

  • Onderzoekers kunnen noodscenario's of interventies definiëren die automatisch worden geactiveerd op basis van tijd (gepland) of specifieke triggers (bestaande objecten of agent-acties).
  • Deze gebeurtenissen kunnen kettingreacties veroorzaken en de doelen van agents dynamisch aanpassen.

3. Belangrijkste Bijdragen

1. Real-time Mens-Computer Interactie (HCI): CMASE vervangt statische regels door een dynamische omgeving waar onderzoekers zich live kunnen inbedden in de simulatie om complexe sociale processen te observeren en aan te sturen.
2. Etnografische Benadering: Het framework introduceert een methodologie waarbij de simulatie fungeert als een veldstudie. Onderzoekers kunnen agenten interviewen, hun bewegingen volgen en interventies uitvoeren alsof ze deel uitmaken van de maatschappij.
3. Causale Voorspellende Kracht: In tegenstelling tot puur datagedreven modellen, biedt CMASE een causale uitleg van interventie-effecten, waardoor het geschikt is voor toekomstgerichte beleidsvoering.
4. Open Source Implementatie: De volledige code, setup-instructies en voorbeelden zijn beschikbaar gesteld om reproduceerbaarheid te waarborgen.

4. Resultaten

Het team heeft CMASE getest door een bestaand veldonderzoek te repliceren over de relatie tussen stedelijke groenvoorziening en sociale fragmentatie (distrust, uitbuiting, onverschilligheid).

• Kwantitatieve Validatie: De simulatie reproduceerde succesvol de bevindingen van het originele menselijke onderzoek: hogere vegetatiegraad leidde tot een statistisch significante afname van sociale fragmentatie (distrust en uitbuiting daalden aanzienlijk).
• Kwalitatieve Etnografie: Door als agent de simulatie in te gaan, konden onderzoekers dieper inzicht krijgen in waarom dit gebeurt. Agenten met creatieve beroepen leunden meer op interne stabiliteit, terwijl andere agenten actief groene ruimtes opzochten voor sociale interactie en zelfervaring.
• Persona en Etnografische Kwaliteit: Evaluaties toonden hoge scores voor consistentie van persona's (4.30/5) en emotionele uitlijning (4.70/5). Het systeem leverde ook rijke etnografische beschrijvingen ("thick description") op.
• Schaalbaarheid en Kosten:
  • De responsiviteit is optimaal tot ongeveer 100 agents (binnen de 50s per ronde, wat past bij menselijke cognitieve verwerkingstijd).
  • De kosten zijn aanzienlijk lager dan vergelijkbare studies (geschat op $0.10 per agent per stap), wat CMASE economisch haalbaarder maakt dan eerdere LLM-simulaties.

5. Betekenis en Toekomstperspectief

CMASE markeert een belangrijke stap in de integratie van computationele wetenschappen en sociologie. Het overbrugt de kloof tussen abstracte modellering en veldonderzoek door onderzoekers de mogelijkheid te geven om niet alleen te observeren, maar actief deel te nemen aan de evolutie van een virtuele samenleving.

De studie toont aan dat LLM-gebaseerde agenten niet alleen statistische patronen kunnen nabootsen, maar ook mechanistische verklaringen kunnen bieden voor sociaal gedrag. Dit maakt het framework waardevol voor het testen van beleidsmaatregelen, het begrijpen van emergent gedrag en het uitvoeren van ethisch verantwoorde sociale experimenten. Toekomstig werk richt zich op het ondersteunen van grootschalige, multi-gebruiker interventies en het integreren van complexere multimodale ruimtelijke informatie om de "embodied" (gecorporeerde) menselijke ervaring verder te simuleren.