⚡ electrical engineering

Opinion Consensus Formation Among Networked Large Language Models

Dit artikel onderzoekt hoe netwerkgebaseerde grote taalmodellen consensus bereiken via tekstuitwisselingen over meerdere ronden, waarbij wordt vastgesteld dat hoewel hun convergentiedynamiek wat betreft vervalssnelheden en grafictopologie overeenkomt met klassieke DeGroot-modellen, hun uiteindelijke meningen meer worden gedreven door inherente vooroordelen en discussieonderwerpen dan door begincondities of netwerkcentraliteit.

Oorspronkelijke auteurs: Iris Yazici, Mert Kayaalp, Stefan Taga, Ali H. Sayed

Gepubliceerd 2026-01-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Iris Yazici, Mert Kayaalp, Stefan Taga, Ali H. Sayed

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 groep van 20 vrienden voor die in een cirkel zitten, elk met een andere mening over een controversieel onderwerp zoals "Is Bitcoin een goede investering?" of "Moeten we veganist worden?". In de echte wereld zouden deze vrienden, als ze een tijdje met elkaar praten, uiteindelijk over iets eens kunnen worden.

Dit artikel stelt een simpele vraag: Als we die menselijke vrienden vervangen door Artificial Intelligence (AI) chatbots, zullen ze zich dan op dezelfde manier gedragen? Volgen ze specif wrong de dezelfde wiskundige regels die wetenschappers al decennia gebruiken om te voorspellen hoe menselijke groepen tot overeenstemming komen?

Hier is de uitsplitsing van wat de onderzoekers hebben gevonden, gebruikmakend van eenvoudige analogieën:

1. Het Oude Regelboek (Het DeGroot-model)

Al een lange tijd gebruiken wiskundigen een regelboek genaamd het DeGroot-model om de meningen van groepen te voorspellen. Denk hierbij aan een gewogen gemiddelde.

De Theorie: Als je je buurman voor 50% vertrouwt en jezelf voor 50%, dan is je nieuwe mening het gemiddelde van die van jou en die van hen. Als jij een "hub" bent in het netwerk (verbonden met veel mensen), zou jouw mening meer gewicht in de schaal moeten leggen bij de uiteindelijke beslissing van de groep.
De Voorspelling: De uiteindelijke groepsmening zou een perfect wiskundig mengsel zijn van ieders beginmeningen, waarbij rekening wordt gehouden met hoe centraal zij in het netwerk staan.

2. Het Experiment: AI-vrienden in een Chatroom

De onderzoekers richtten een digitale speeltuin in met 20 AI-agenten.

De Opzet: Ze verbonden deze AI's in verschillende vormen (sommigen in een strakke cirkel, anderen in een los web).
De Regels: Ze zeiden tegen de AI's: "Je bent ofwel 'zelfverzekerd' (je vertrouwt jezelf meer) of 'openminded' (je vertrouwt anderen meer)." Ze gaven ze een onderwerp (zoals "Ghosting" of "Genetische Modificatie") en lieten ze 80 rondes lang heen en weer chatten.
De Meting: Na elke chat trad een aparte AI op als rechter en gaf een score aan de toon van het gesprek, van "Heel erg tegen" (-3) tot "Heel erg voor" (+3).

3. De Grote Verrassing: Het "Echo Chamber"-effect

De onderzoekers ontdekten twee belangrijke dingen:

A. Ze worden het wel eens, maar niet om de redenen die we dachten.
Net zoals het oude regelboek voorspelde, stopten de AI-agenten uiteindelijk met het oneens zijn. Hun meningen kwamen samen (convergentie) en de "ruis" tussen hen nam exponentieel af (zoals een echo die wegsterft).

Echter: De uiteindelijke mening die ze bereikten, kwam niet overeen met de wiskundige voorspelling.
De Analogie: Stel je een groep mensen voor die proberen te raden hoe zwaar een pompoen is. De oude wiskunde zegt dat de uiteindelijke gok het gemiddelde moet zijn van alle begin-gokken. Maar in dit experiment negeerden de AI's hun begin-gokken bijna volledig. In plaats daarvan kwamen ze allemaal overeen over een specifiek getal dat uit de AI zelf leek te komen, en niet uit de groepsdiscussie.

B. De "Ingebouwde Bias" is de echte baas.
Waarom negeerden ze de wiskunde? Omdat de AI's ingebouwde vooroordelen (biases) hebben vanuit hun training (de data die ze kregen voordat het experiment begon).

De Analogie: Stel je voor dat de AI's als mensen zijn die in een specifieke cultuur zijn opgegroeid. Zelfs als je hen in een kamer met mensen van over de hele wereld plaatst, kunnen ze allemaal stiekem naar een specifiek cultureel standpunt neigen.
De Bevinding: Als het onderwerp "Bitcoin" was, neigden de AI's naar negatief, ongeacht of ze positief of negatief begonnen. Als het onderwerp "Veganisme" was, neigden ze naar positief. Het onderwerp en de interne training van de AI waren veel belangrijker dan wie met wie praatte of met welke mening ze begonnen.

4. Wat volgde wel de oude wiskunde?

Hoewel het uiteindelijke antwoord fout was volgens de oude wiskunde, zat de snelheid waarmee ze tot overeenstemming kwamen er wél spot-on bovenop.

De Analogie: Denk aan een drukke kamer waar iedereen schreeuwt. De oude wiskunde voorspelt precies hoe lang het duurt voordat de kamer stil wordt.
De Bevinding: De onderzoekers ontdekten dat de tijd die de AI's nodig hadden om het oneens zijn te stoppen, perfect overeenkwam met de wiskundige voorspellingen. Als het netwerk meer verbonden was (meer vrienden die met meer vrienden praten), kwamen ze sneller tot overeenstemming. Als het netwerk schaarser was, duurde het langer. De "snelheidslimiet" van de overeenstemming werd bepaald door de vorm van het netwerk, precies zoals de oude wiskunde voorspelde.

5. De "Zelfvertrouwen"-factor

De onderzoekers testten ook wat er gebeurt als je de AI's expliciet vertelt: "Vertrouw jezelf voor 80% en je vrienden voor 20%."

Het Resultaat: Wanneer de AI's deze specifieke "vertrouwensgewichten" kregen, bereikten ze veel gemakkelijker een consensus. Wanneer de onderzoekers deze instructies verwijderden, waren de AI's chaotischer en waren ze het aan het eind vaker oneens. Het lijkt erop dat het geven van duidelijke regels aan AI-agenten over hoeveel ze zichzelf moeten vertrouwen, hen helpt om sneller tot rust te komen.

Samenvatting

Bereiken AI-agenten een consensus? Ja, ze stoppen met discussiëren en komen tot overeenstemming over een punt.
Voorspelt de oude wiskunde waarover ze het eens worden? Nee. De uiteindelijke mening wordt gedreven door de verborgen vooroordelen van de AI en het onderwerp, niet door de beginmeningen van de groep.
Voorspelt de oude wiskunde hoe snel ze het eens worden? Ja. De snelheid van de overeenstemming hangt volledig af van hoe het netwerk verbonden is, net zoals de oude wiskunde voorspelde.

De Kernboodschap: Als je een sociaal netwerk met AI wilt simuleren, kun je de wiskunde vertrouwen om je te vertellen hoe snel ze het eens worden, maar je kunt de wiskunde niet vertrouwen om je te vertellen waarover ze het eens worden. De interne "persoonlijkheid" (bias) van de AI overrulet de groepsdynamiek.

Technische Samenvatting: Vorming van Opinieconsensus bij Gekoppelde Large Language Models

Probleemformulering

Dit werk onderzoekt of klassieke wiskundige modellen van opinievorming, specifiek het DeGroot-consensusframework, het groepsgedrag van Large Language Models (LLM's) die als agenten in een netwerk fungeren, accuraat kunnen voorspellen. Hoewel het DeGroot-model goed gevestigd is in signaalverwerking en regeltechniek voor het beschrijven van hoe agenten consensus bereiken door herhaaldelijk te middelen van de meningen van buren, is de empirische validatie ervan in echte sociale settings vaak beperkt door de kosten en complexiteit van menselijke dataverzameling. De auteurs stellen dat LLM's een controleerbaar, goedkoop testbed bieden om deze dynamiek te modelleren. Het kernprobleem is tweeledig:

Bepalen of LLM-agenten die interageren over communicatiegrafen consensusgedrag vertonen dat vergelijkbaar is met menselijke sociale netwerken.
Analyseren of de specifieke mechanismen van LLM-consensus (beperkende meningen en convergentiesnelheden) overeenkomen met de theoretische voorspellingen van DeGroot, met name met betrekking tot de invloed van begincondities, netwerktopologie en inherente modelbiases.

Methodologie

De auteurs hebben een multi-agent simulatieomgeving geconstrueerd met behulp van het AutoGen-framework, waarbij Google's Gemini 2.0 Flash werd ingezet als het onderliggende LLM. De experimentele opzet omvatte de volgende componenten:

Netwerktopologie: Een netwerk van $K=20$ agenten werd gesimuleerd over gerichte, gewogen grafen. De primaire topologie die werd gebruikt was de Erdős–Rényi willekeurige graaf met variërende connectiviteitsparameters ( $p$ ), naast volledig verbonden en circulaire (ring) topologieën om extremen in connectiviteit te testen.
Agentinteractie: Agenten wisselden tekstgebaseerde berichten uit over meerdere rondes (80 rondes per experiment). De interactiegewichten (vertrouwensniveaus toegewezen aan buren en zelfgewichten) werden afgedwongen via system prompts. Er werden twee typen agentkarakters gedefinieerd: "zelfverzekerd" (hoger zelfgewicht) en "openminded" (lager zelfgewicht).
Opiniekwantificering: Om tekstuele reacties naar numerieke overtuigingen te mappen, voerde een apart, onafhankelijk LLM (gpt-5-nano) sentimentanalyse uit op alle reacties. Opinies werden gescoord op een schaal van $[-3, 3]$ (van "tegen" tot "voor") en genormaliseerd naar $[0, 1]$ .
Experimentele Variabelen: De studie varieerde discussiethema's (8 verschillende onderwerpen waaronder Bitcoin, Euthanasie, Veganisme, etc.), initiële opinieverdelingen (voor, neutraal, tegen) en graafconnectiviteit.
Dataset: De auteurs stelden een dataset samen van 764 experimenten met meer dan 1,2 miljoen LLM-reacties, verspreid over 8 onderwerpen en diverse netwerkconfiguraties.

Belangrijkste Resultaten

1. Opkomst van Consensus en Afname van Meningsverschil

De experimenten toonden aan dat LLM-agenten doorgaans consensus bereiken. De standaarddeviatie (STD) van de sentimentscores van de agenten nam exponentieel af over de interactierondes en naderde een bijna nul-steady-state. Deze afnamesnelheid bleek nauw verwant aan de tweede grootste modulus-eigenwaarde ( $|\lambda_2|$ ) van de combinatie-matrix van de graaf, wat in lijn is met de voorspellingen van de spectrale grafentheorie voor convergentiesnelheid.

2. Afwijking van DeGroot-voorspellingen

Ondanks de opkomst van consensus week de limiterende opinie (de uiteindelijke consensuswaarde) significant af van de voorspelling van het DeGroot-model.

Ongevoeligheid voor Begincondities: In tegen tegenstelling tot het DeGroot-theorema, dat stelt dat de uiteindelijke consensus een door netwerkcentraliteit gewogen gemiddelde van de initiële opinies moet zijn, was de LLM-consensus grotendeels ongevoelig voor begincondities.
Onderwerp-afhankelijke Bias: Het uiteindelijke consensuspunt was sterk afhankelijk van het discussiesubject en de inherente biases van de LLM's (waarschijnlijk voortkomend uit de pretraining en alignment-fasen). Zo vertoonden de LLM's op het onderwerp Bitcoin een negatieve bias, ongeacht de initiële "voor" of "tegen" verdelingen, terwijl op het gebied van Veganisme een positieve bias ontstond.
Modelnauwkeurigheid: Bij het vergelijken van de uiteindelijke LLM-opinies met DeGroot-voorspellingen, was de Root Mean Squared Error (RMSE) 0,32. De classificatienauwkeurigheid gebaseerd op het DeGroot-model was ongeveer 32% voor ternaire classificatie en 60% voor binaire classificatie, beide vergelijkbaar met of slechts marginaal beter dan willekeurige gokken.

3. Impact van System Prompts en Gewichten

De studie vond dat het expliciet afdwingen van combinatie-matrixgewichten via system prompts de waarschijnlijkheid van het bereiken van consensus aanzienlijk verhoogde. "Gewogen" experimenten (waarbij zelfgewichten expliciet in de prompts waren gedefinieerd) resulteerden in een uiteindelijke standaarddeviatie van het meningsverschil van 0,083, terwijl "ongewogen" experimenten (waarbij specifieke gewichten uit de prompts werden verwijderd) resulteerden in een aanzienlijk hogere uiteindelijke diversiteit van 0,165.

4. Convergentiesnelheid en Grafentheorie

Hoewel de waarde van de consensus niet overeenkwam met de DeGroot-theorie, deed de snelheid van convergentie dat wel. De "halveringstijd" van het meningsverschil (het aantal rondes vereist om de variantie van de opinie met de helft te verminderen) werd empirisch aangetoond proportioneel te zijn aan $\frac{\ln 2}{-\ln |\lambda_2|}$ . Dit bevestigt dat de transiënte dynamiek van LLM-netwerken de gevestigde grafentheoretische resultaten volgt, zelfs als de steady-state evenwichtstoestand dat niet doet.

Betekenis en Claims

Het artikel claimt dat hoewel LLM's effectieve, goedkope testbeds kunnen dienen voor het simuleren van sociale netwerkdynamieken, hun consensusgedrag fundamenteel verschilt van klassieke modellen wat betreft de steady-state uitkomsten.

Dominantie van Bias: De auteurs benadrukken dat in LLM-netwerken inherente modelbiases en onderwerpgevoeligheid de invloed van begincondities en netwerkcentraliteit overstijgen, die centraal staan in het DeGroot-model.
Convergentiedynamiek: De studie valideert dat de snelheid van consensus in LLM-netwerken wordt beheerst door de spectrale eigenschappen van de communicatiegraaf (specifiek $|\lambda_2|$ ), wat suggereert dat de klassieke grafentheorie nuttig blijft voor het ontwerpen van hulpbron-efficiënte multi-agent LLM-toepassingen waar de timing van consensus cruciaal is.
Efficiëntie van Hulpbronnen: Het begrijpen van deze convergentiesnelheden maakt een betere schatting mogelijk van de benodigde interactierondes om consensus te bereiken onder beperkingen van hulpbronnen in multi-agent systemen.

De auteurs concluderen dat deze bevindingen helpen bij het verhelderen van het potentieel van LLM's voor sociaal-simulatieonderzoek en de vormgeving van multi-agent systemen begeleiden, waarbij zij opmerken dat verder onderzoek nodig is om strategische agenten en andere LLM-architecturen te verkennen.