🤖 AI

Learning to Make Friends: Coaching LLM Agents toward Emergent Social Ties

Dit artikel introduceert een multi-agent LLM-simulatieframework dat gedragsmatige beloningsfuncties combineert met in-context coaching om agenten in staat te stellen emergente sociale banden en netwerkstructuren te ontwikkelen die de complexe dynamiek van echte menselijke online gemeenschappen weerspiegelen.

Oorspronkelijke auteurs: Philipp J. Schneider, Lin Tian, Marian-Andrei Rizoiu

Gepubliceerd 2026-07-22

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Philipp J. Schneider, Lin Tian, Marian-Andrei Rizoiu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin computers niet alleen vragen beantwoorden, maar ook echt samen leven. Dit is de grens van het onderzoek naar kunstmatige intelligentie die bekend staat als "multi-agent systemen". Denk eraan als een digitale zandbak waar, in plaats van één robot die alleen speelt, een hele menigte robots met elkaar interactie heeft. De grote vraag die wetenschappers stellen is: kunnen deze digitale personages leren om sociaal te zijn? Kunnen ze ontdekken hoe ze vrienden maken, groepen vormen en gemeenschappen opbouwen, net zoals mensen dat doen op sociale media? Om dit te begrijpen, moeten we een paar basisdingen weten. Ten eerste zijn "Large Language Models" (LLM's) de hersenen achter deze agenten; het zijn superintelligente computers die getraind zijn op enorme hoeveelheden tekst, waardoor ze erg goed zijn in praten, maar soms heel slecht in het begrijpen van waarom mensen praten. Ten tweede zijn "sociale dynamiek" de onzichtbare regels van menselijke verbinding—dingen zoals de wens om aardig gevonden te worden, de behoefte om gehoord te worden, of bij mensen blijven die hetzelfde denken als jij. Wetenschappers geven hierom omdat als we een "digitale tweeling" van een echt sociaal netwerk kunnen bouwen, we kunnen testen hoe we online pesten kunnen stoppen, hoe we goed nieuws kunnen verspreiden, of hoe we kapotte gemeenschappen kunnen repareren zonder de veiligheid van echte mensen in gevaar te brengen.

In dit onderzoek besloten de onderzoekers Philipp J. Schneider, Lin Tian en Marian-Andrei Rizoiu een digitale speeltuin te bouwen om te zien of ze deze AI-agenten op natuurlijke wijze konden leren om vrienden te maken. Ze creëerden een simulatie met 30 AI-agenten die 15 rondes lang chatten over klimaatverandering. Maar hier komt de twist: de agenten kregen niet simpelweg de opdracht om "aardig te zijn". In plaats daarvan gaven de onderzoekers hen een set onzichtbare "beloningspunten" gebaseerd op echte menselijke motivaties. Stel je een videogame voor waarbij je punten krijgt voor het plaatsen van een foto (zelfpresentatie), het krijgen van een "like" (sociale validatie), het vinden van een nieuw onderwerp om over te praten (informatie zoeken) of het helpen van een vriend om zich beter te voelen (emotionele steun). De agenten moesten uitzoeken hoe ze het spel moesten spelen om de meeste punten te scoren.

De onderzoekers ontdekten dat wanneer deze agenten dit spel speelden, ze niet alleen willekeurige berichten spamden. Ze begonnen te leren! In de loop van de tijd ontwikkelden ze stabiele gedragspatronen. Sommige agenten werden de "populaire kinderen" die veel postten om aandacht te krijgen, terwijl anderen de "ondersteunende luisteraars" werden die directe berichten stuurden om mensen op te bemoedigen. Het belangrijkste was dat sociale banden uit zichzelf begonnen te ontstaan. De agenten begonnen niet met een vooraf gemaakte vriendenlijst; ze bouwden hun eigen netwerken op basis van wie ze leuk vonden en wie ze vertrouwden. De studie suggereert dat door deze beloningspunten te mengen met een beetje "coaching" (waarbij een helpende AI een snelle tip geeft over hoe te handelen), de agenten sneller leerden en meer realistische connecties vormden.

De onderzoekers waren echter voorzichtig om de resultaten niet te overschatten. Ze merkten op dat hoewel de agenten leerden om menselijk gedrag na te bootsen, het niet perfect was. Sommige doelen, zoals het proberen te coördineren van een complexe groepsactiviteit, waren veel moeilijker te leren dan andere, zoals het simpelweg vinden van nieuwe onderwerpen. De studie liet ook zien dat de manier waarop de agenten beslisten wie hun vrienden waren, er veel toe deed. Wanneer de onderzoekers een eenvoudig, op regels gebaseerd systeem gebruikten om vriendschappen bij te werken, waren de resultaten een beetje rommelig en onvoorspelbaar. Maar wanneer ze de AI de werkelijke tekst van de gesprekken lieten lezen om te beslissen met wie ze vrienden zouden zijn, zagen de resulterende sociale netwerken er veel meer uit als echte menselijke gemeenschappen, met clusters van vrienden en duidelijke paden voor informatieverspreiding.

Uiteindelijk suggereert dit artikel dat we dichter bij het creëren van digitale samenlevingen komen die zich gedragen als echte samenlevingen. De agenten slaagden erin om "emergent social ties" te vormen, wat betekent dat vriendschappen natuurlijk groeiden uit hun interacties in plaats van dat ze door een programmeur werden afgedwongen. De onderzoekers geloven dat deze opzet een krachtige testomgeving kan zijn voor het bestuderen van hoe online gemeenschappen ontstaan, hoe echokamers (groepen waar iedereen alleen hoort waar hij het mee eens is) zich ontwikkelen, en hoe we betere sociale mediaplatforms kunnen ontwerpen. Maar ze geven ook toe dat dit pas het begin is. De simulatie was klein (slechts 30 agenten) en kort (15 rondes), en de agenten begonnen met nul vrienden. Dus hoewel de resultaten veelbelovend zijn, is het een simulatie, geen definitief bewijs dat AI het menselijke sociale leven perfect kan vervangen. Het is een sterke eerste stap in het aanleren van de kunst van vriendschap aan computers, waarbij wordt aangetoond dat met de juiste prikkels zelfs kunstmatige geesten kunnen leren om een klik te hebben.

Technische Samenvatting: Leren vrienden te maken: Het coachen van LLM-agenten naar emergente sociale banden

Probleemstelling

Het artikel behandelt de uitdaging van het simuleren van complexe menselijke sociale dynamiek binnen populaties van Large Language Model (LLM) agenten. Hoewel individuele LLM-agenten vaardigheden hebben getoond in linguïstische en cognitieve taken, blijft hun collectieve gedrag in netwerkomgevingen slecht begrepen. Specifiek identificeren de auteurs drie afzonderlijke uitdagingen bij het simuleren van sociale media-conversaties:

Agentic Personas: Standaard prompting levert vaak homogene reacties op, waardoor het onmogelijk is om de diversiteit van echte gebruikers in waarden, normen en cognitieve stijlen te vangen.
Leermechanismen: In tegenstelling tot gestructureerde spellen met expliciete beloningen, omvat sociale media open uitwisselingen die geheugenarchitecturen vereisen die recente interacties kunnen bijhouden terwijl ze langetermijnverleden integreren om adaptief leren te ondersteunen.
Sociale Topologie: Het is een open vraag welke netwerkstructuren ontstaan wanneer LLM-agenten op schaal met elkaar interageren zonder vooraf gedefinieerde netwerkbeperkingen, met name met betrekking tot fenomenen zoals homofilie, echokamers en polarisatie.

Het kernprobleem is of LLM-agenten de sociale dynamiek kunnen reproduceren die gevormd wordt door homofilie, wederkerigheid en sociale validatie, en welke geheugen- en leermechanismen deze dynamieken in staat stellen om endogeen te emergeren.

Methodologie

De auteurs stellen een multi-agent LLM-simulatieframework voor dat is georganiseerd in twee hoofdcomponenten: Persona Creatie en Sociale Media Simulatie.

1. Persona Creatie

In plaats van willekeurig attributen te samplen, gebruikt het framework een "planner"-agent om persona's te instantiëren op basis van inhoud-geïnformeerde kenmerken (rol, standpunt, communicatiestijl) afgeleid van real-world discussie-corpora. Elk persona is gestructureerd in drie lagen:

Persoonlijkheid: Gemodelleerd met de Big Five-eigenschappen (bijv. Extraversie, Meegaandheid) en granulaire facetten, beoordeeld via de Mini-IPIP inventaris.
Taak: Agenten krijgen specifieke motivaties toegewezen op basis van gratificatietheorie (bijv. sociale interactie, informatie zoeken, entertainment), variërend van passieve "lurkers" tot actieve makers.
Geheugen: Een systeem met drie componenten, inclusief conversatiegeheugen (alle voorgaande interacties), relatiegeheugen (het bijhouden van andere agenten) en opiniegeheugen (het abstraheren van standpunten/overtuigingen).

2. Simulatieproces

De simulatie draait over discrete ronden ( $t$ ) waarbij $N$ agenten betrokken zijn.

Interactiekanalen: Agenten communiceren via publieke kanalen (Posts, Comments) en private kanalen (Direct Messages).
Plan-Execute-Reflect Loop: In elke ronde plannen agenten acties ($POST, COM, DM, NOT$) op basis van eerdere inhoud en beloningen. Een optioneel "coach"-signaal biedt tips om het plannen te vereenvoudigen.
Sociale Validatie: Agenten stemmen (like/dislike) op publieke inhoud.
Herweging: Agenten updaten de sterkte van hun banden op basis van interactiesignalen.

3. Beloningsstructuren voor In-Context Learning

Om te voorkomen dat agenten vervallen in hebzuchtig gedrag, definieert het framework vijf gedragsmatige beloningsfuncties die zijn afgestemd op menselijke motivaties:

Sociale Interactie (SOC): Beloont het verzenden en ontvangen van directe uitwisselingen (DMs, Comments).
Informatie Zoeken (INF): Beloont het ontdekken van nieuwe onderwerpen (nieuwheid) en het consumeren van diverse inhoud (entropie).
Zelfpresentatie (PRE): Beloont het plaatsen van inhoud en het ontvangen van positieve feedback (likes vs. dislikes).
Coördinatie (COORD): Beloont zichtbaarheid door vermeldingen (mentions) en wederkerigheid in directe berichten.
Emotionele Steun (EMO): Beloont het ontvangen van positieve sentimenten in directe uitwisselingen.

De totale beloning is een gewogen compositie van deze componenten ( $R_t(u) = \sum \lambda_r R^r_t(u)$ ).

4. Emergente Bandvorming

Sociale banden zijn niet vooraf gedefinieerd maar evolueren endogeen. Het systeem onderhoudt een gewogen, gerichte graaf $G_t$ . De update van de bandsterkte volgt een gated regel:

Actieve Rondes: Als een agent met een ander interacteert (via Addressing of Engaging), neemt de bandsterkte toe op basis van een bewijsscore die nieuwheid, wederkerigheid, goedkeuring en affectieve toon aggregeert.
Passieve Rondes: De bandsterkte neemt multiplicatief af.
Drempelwaarde: Voor analyse wordt de uiteindelijke gerichte graaf gesymmetriseerd en gebinariseerd met behulp van een drempelwaarde $\theta$ .

Belangrijkste Bijdragen

Conversation Room: Een interactieve omgeving die publieke en private kanalen integreert, waardoor agenten onderscheidende strategieën kunnen inzetten over verschillende contexten.
Beloningsstructuren: Een formalisering van empirisch onderbouwde menselijke motivaties (zelfpresentatie, coördinatie, etc.) in agent-doelstellingen, wat de brug slaat tussen gedragstheorie en multi-agent leren.
Bandvorming: Mechanismen waardoor sociale banden endogeen kunnen emergeren uit conversationele interacties zonder afhankelijkheid van vaste graafstructuren, wat het bestuderen van groepsvorming en homofilie mogelijk maakt.

Resultaten

Experimenten werden uitgevoerd met 30 agenten over 15 ronden waarin zij discussieerden over klimaatverandering.

Leerprestaties: Agenten leerden succesvol specifieke beloningspolicies te optimaliseren. Informatie-zoekend gedrag (INF) was het makkelijkst te leren, terwijl coördinatie-afhankelijke policies (SOC, COORD) moeilijker waren. Het "coach"-signaal versnelde het vroege leerproces voor sommige policies (met name COORD en EMO), maar leverde geen uniforme verbeteringen in de latere ronden op.
Netwerkmetrieken: De emergente netwerken werden vergeleken met real-world netwerkstatistieken (densiteit, clustering, padlengte, modulariteit).
- Heuristisch vs. LLM Herweging: Een heuristische benadering op basis van vooraf gedefinieerde signalen vertoonde een hoge variabiliteit over verschillende drempelinstellingen. In contrast hiermee produceerde een LLM-gebaseerde tekstbenadering voor het scoren van interacties meer stabiele resultaten, die frequent binnen of nabij de bereiken vielen die in echte sociale netwerken worden waargenomen.
- Structurele Eigenschappen: De emergente grafen vertoonden eigenschappen die consistent zijn met echte gemeenschappen, hoewel de modulariteit lager bleef dan in echte netwerken.

Betekenis en Claims

Het artikel claimt een geprincipleerd testbed te hebben gevestigd voor het onderzoeken van collectieve dynamiek in populaties van LLM's. Door het combineren van gedragsbeloningen met in-context adaptatie, demonstreert het framework dat:

Gecoachte LLM-agenten stabiele interactiepatronen kunnen ontwikkelen en emergente sociale banden kunnen vormen.
De resulterende netwerkstructuren de belangrijkste eigenschappen van echte online gemeenschappen weerspiegelen.
Het systeem onthult hoe kunstmatige agenten menselijk sociaal gedrag kunnen benaderen of ervan kunnen afwijken.

De auteurs hanteren een bescheiden standpunt met betrekking tot de reikwijdte van de studie. Zij erkennen dat de simulatie conservatief is qua schaal (30 agenten, 15 ronden) en start vanuit lege netwerken. Zij merken op dat hoewel het framework een fundament legt voor het bestuderen van echokamers en nichegemeenschappen, opschaling naar grotere cohorten, het zaaien van bestaande banden en het uitvoeren van interventie-stresstests noodzakelijk zijn als volgende stappen om de externe validiteit te versterken. De studie benadrukt dat het getrouw nabootsen van echt gebruikersgedrag moeilijk blijft, zoals blijkt uit de bescheiden winsten van coaching en de uitdagingen bij het leren van coördinatie-gebaseerde policies.