🌀 nonlinear sciences

Learning dynamics from online-offline systems of LLM agents

Deze studie toont aan dat de verspreiding van nieuws over gewapende conflicten in netwerken van LLM-agenten met verschillende persoonlijkheidstrekken, ondanks de complexiteit, effectief kan worden gemodelleerd met een Susceptible-Infected (SI)-type systeem met twee transmissiepercentages.

Oorspronkelijke auteurs: Moyi Tian, George Mohler, P. Jeffrey Brantingham, Nancy Rodríguez

Gepubliceerd 2026-03-02

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Moyi Tian, George Mohler, P. Jeffrey Brantingham, Nancy Rodríguez

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 voor dat je een enorme, digitale stad bouwt, niet met bakstenen, maar met AI-robots. Deze robots zijn niet allemaal hetzelfde; ze hebben allemaal een heel eigen persoonlijkheid, alsof je ze een uniek karakter hebt gegeven. Soms zijn ze avontuurlijk en open, soms zijn ze voorzichtig en gesloten.

De onderzoekers van dit papier wilden weten: hoe verspreidt nieuws zich in zo'n stad van robots? En belangrijker nog: doet het karakter van de robot invloed hebben op wat ze delen?

Hier is een simpele uitleg van hun experiment en wat ze ontdekten, vertaald naar alledaagse taal:

1. Het Experiment: Een digitale verspreidingsspelletje

De onderzoekers hebben een netwerk van 128 AI-robots (LLM's) gemaakt. Ze hebben deze robots verbonden alsof ze vrienden zijn op sociale media.

De "Seeds" (De zaadjes): Ze begonnen met één robot die een stukje nieuws kreeg. Dit nieuws kwam uit een echte database over conflicten in de Filipijnen. Het kon gaan om een vreedzame demonstratie (zoals een vredesmars) of om een gewelddadig incident (zoals een aanval).
De "Personality" (Het karakter): Elke robot kreeg een willekeurige persoonlijkheid, gebaseerd op de beroemde "Grote Vijf" eigenschappen (zoals openheid, extravertie, enzovoort).
Het spel: De robot die het nieuws kreeg, moest beslissen: "Deel ik dit met mijn vrienden?" Als hij "ja" zei, kregen zijn vrienden het nieuws, en zij moesten weer beslissen of zij het deelden.

Dit ging door totdat het nieuws zich door het hele netwerk had verspreid, of stopte. Ze keken hoe snel en hoe ver het nieuws kwam.

2. De Twee Manieren om te Kijken

De onderzoekers gebruikten twee manieren om dit gedrag te begrijpen, net als een meteoroloog die weerkaarten tekent:

Manier 1: De Gedetailleerde Observatie (Agent-based model)
Dit is alsof je elke robot individueel in de gaten houdt. Je vraagt: "Waarom deelde jij dit? Was het omdat je open bent? Of omdat het nieuws gewelddadig was?" Dit is heel gedetailleerd, maar ook heel complex en rommelig.
Manier 2: De Grote Overzicht (Het "Middelpunt" model)
Dit is alsof je niet naar elke robot kijkt, maar naar de stroom van mensen. Je zegt: "Oké, we hebben twee soorten robots: de 'snelle verspreiders' en de 'trage verspreiders'." Je maakt een simpele formule die de gemiddelde snelheid van de stroom beschrijft. Dit is veel simpeler, maar verrassend nauwkeurig.

3. Wat Vonden Ze? (De Verassingen)

A. Geweldige robots delen minder dan vredige robots
Net als mensen, lijken de robots minder geneigd om gruwelijke, gewelddadige nieuwsberichten te delen. Als het nieuws gaat over een vredesmars, delen ze het sneller en verder. Als het nieuws gaat over een aanval, houden ze het vaker voor zichzelf.

B. Karakter is alles
Sommige robots delen alles, anderen bijna niets.

Robots die "Open" zijn (nieuwsgierig, avontuurlijk) en "Extravert" (sociaal) zijn, zijn de echte verspreiders. Ze zijn als de mensen op een feestje die overal het nieuws rondvertellen.
Robots die "Gesloten" of "Teruggetrokken" zijn, houden het nieuws vaak voor zich. Ze zijn als de mensen die liever in hun eentje zitten en niet willen dat hun vrienden het nieuws zien.

C. De Simpele Formule werkt het beste
Het meest interessante resultaat is dat je niet hoeft te weten wat elke robot precies denkt om te voorspellen hoe het nieuws zich verspreidt.
Je kunt het netwerk simpelweg opdelen in twee groepen:

De "Snelle Groep" (de open en extraverte robots).
De "Trage Groep" (de rest).

Met alleen deze twee groepen en twee snelheden (hoe snel de ene groep deelt en hoe snel de andere), konden de onderzoekers de hele verspreiding van het nieuws perfect voorspellen. Het was alsof je een ingewikkelde dans kunt beschrijven met alleen twee simpele stappen: "Eerst rennen de snelle dansers, en dan komen de trage dansers langzaam achterop."

4. Waarom is dit belangrijk?

Vroeger dachten we dat bots en AI's misschien chaotisch of onvoorspelbaar waren. Dit onderzoek laat zien dat ze juist zeer voorspelbaar zijn. Als je weet wat hun "karakter" is, kun je precies voorspellen hoe snel een gerucht of een nieuwsfeit de wereld rondgaat.

De grote les:
Of het nu gaat om echte mensen of AI-robots: als je wilt weten hoe informatie zich verspreidt, hoef je niet elke individuele persoon te analyseren. Je kunt kijken naar de groepen die er zijn. In deze digitale stad zijn er een paar "vurige verspreiders" die de start maken, en de rest volgt langzaam.

Dit helpt ons beter te begrijpen hoe nieuws (en desinformatie) zich in de echte wereld verspreidt, en misschien kunnen we in de toekomst zelfs voorspellen wanneer een klein nieuwsfeitje uitgroeit tot een wereldwijd fenomeen.

Titel: Het leren van dynamieken uit online-offline systemen van LLM-agenten

Auteurs: Moyi Tian, George Mohler, P. Jeffrey Brantingham, en Nancy Rodríguez.
Publicatiedatum: 26 februari 2026 (voorgesteld).

1. Probleemstelling en Context

De paper onderzoekt de toenemende koppeling tussen online informatieverspreiding en wereldwijde instabiliteit. Met de opkomst van geautomatiseerde accounts en agents op basis van Large Language Models (LLM's), die nieuws verspreiden en versterken, is er behoefte aan wiskundige modellen om te begrijpen hoe deze systemen werken.

Hoewel er veel onderzoek is gedaan naar menselijk gedrag en bot-netwerken, ontbreekt het aan een wiskundig model voor de dynamiek van informatieverspreiding in netwerken van LLM-agenten met verschillende "persoonlijkheden". De auteurs willen begrijpen hoe offline gebeurtenissen (zoals gewelddadige incidenten of vredesprotesten) en de geprompteerde persoonlijkheidseigenschappen van LLM's de verspreiding van online informatie beïnvloeden.

2. Methodologie

De auteurs hebben een experimenteel kader ontwikkeld dat bestaat uit simulaties en twee wiskundige modellen.

A. Simulatie-omgeving

Data: Gebeurtenissen zijn gehaald uit de ACLED-database (Armed Conflict Location & Event Data), specifiek gericht op de Filippijnen (2021-2024).
Clustering: Via Principal Component Analysis (PCA) op tekst-embeddings zijn de gebeurtenissen opgesplitst in twee clusters:
1. Zware gebeurtenissen: Geweld, aanvallen, politiek geweld.
2. Vredige gebeurtenissen: Demonstraties, vredesprotesten.
Agenten: Het netwerk bestaat uit $N=128$ LLM-agenten (gebaseerd op gpt-3.5-turbo-1106) verbonden via een $k$ -regulair willekeurig netwerk ( $k=5$ ).
Persoonlijkheid: Elke agent krijgt een willekeurige persoonlijkheidsprofiel toegewezen gebaseerd op het Big Five-model (Openness, Conscientiousness, Extraversion, Neuroticism, Agreeableness). Elke dimensie is binair (hoog/laag), wat resulteert in $2^5 = 32$ unieke persoonlijkheidsprofielen.
Proces: Een "zaad" (seed) nieuwsgebeurtenis wordt aan één agent gegeven. Agenten beslissen, gebaseerd op hun persoonlijkheid en de inhoud van het nieuws, of ze het bericht doorgeven aan hun buren. Dit proces loopt over $T=15$ iteraties.

B. Wiskundige Modellen

De auteurs stellen twee modellen voor om de simulatiedata te modelleren:

Stochastisch Agent-based Netwerkmodel:
- Een logistische regressie die de waarschijnlijkheid ( $p_i$ ) berekent dat een "niet-geëngageerde" node "geëngageerd" raakt.
- De invoer bestaat uit de persoonlijkheidsvector ( $t$ ) en de ernst van de gebeurtenis ( $s$ ).
- Er worden 33 parameters geschat (32 voor persoonlijkheidsprofielen + 1 voor ernst).
Gemiddelde-Veld (Mean-Field) Differentiële Vergelijkingen:
- Een vereenvoudigd model gebaseerd op epidemiologische SI-modellen (Susceptible-Infected).
- De populatie wordt opgesplitst in twee groepen gebaseerd op hun verspreidingsgedrag (groep 1: lage verspreiding, groep 2: hoge verspreiding).
- Het systeem wordt beschreven door differentiaalvergelijkingen voor de fractie van niet-geëngageerde ( $U_1, U_2$ ) en geëngageerde ( $E$ ) agenten:
  $\frac{dU_i}{dt} = -k \tau_i U_i E$
  $\frac{dE}{dt} = \sum k \tau_i U_i E$
- Hierbij zijn $\tau_1$ en $\tau_2$ de transmissiepercentages voor de twee groepen. Dit model heeft slechts twee parameters.

3. Belangrijkste Resultaten

A. Gedragspatronen

Persoonlijkheid: De "Openness" (openheid) en "Extraversion" (extravertie) blijken de sterkste voorspellers voor het verspreiden van nieuws. Agenten met hoge openheid en extravertie delen nieuws veel vaker.
Gebeurtenistype: Vredige gebeurtenissen worden significant vaker gedeeld dan gewelddadige gebeurtenissen.
Groepsindeling: Via statistische tests (Tukey HSD) bleek dat de 32 profielen effectief kunnen worden gegroepeerd in twee clusters: een groep met een zeer lage bereidheid om te delen (gemiddelde share-rate ~~5%) en een groep met een hoge bereidheid (~~81%).

B. Modelprestaties

De auteurs vergeleken de voorspellingen van de modellen met de gesimuleerde data:

Logistisch Model: Had een RMSE (Root Mean Squared Error) van 0.0414. Het model onderschatte de initiële engagement iets en overschatte deze later.
Mean-Field Model: Leverde de beste fit op met een RMSE van 0.0223.
- Dit model was aanzienlijk nauwkeuriger dan het logistische model, ondanks dat het veel eenvoudiger is (slechts 2 parameters vs. 33).
- De fit was het best voor vredige gebeurtenissen (RMSE 0.0098).
- Het model slaagde erin de S-vormige (sigmoïdale) curve van de totale engagement over de tijd nauwkeurig weer te geven.

C. Dynamische Inzichten

De initiële snelle stijging in engagement wordt gedreven door de "hoge-transmissie" groep (groep 2).
De langzamere, langdurige stijging wordt gedreven door de "lage-transmissie" groep (groep 1).
Hoewel het model voorspelt dat uiteindelijk iedereen geëngageerd raakt (stabiele toestand), vertoont de simulatie een afvlakking rond de 0.8-0.9, wat suggereert dat er een subgroep is die moeilijk te bereiken is.

4. Bijdragen en Significantie

Wiskundige Validatie: Het paper toont aan dat complexe, niet-lineaire interacties tussen LLM-agenten met verschillende persoonlijkheden en nieuwsinhoud kunnen worden gemodelleerd met eenvoudige, laag-dimensionale wiskundige systemen (SI-modellen).
Efficiëntie: Het gemiddelde-veldmodel (mean-field) bleek superieur aan het gedetailleerde agent-based model in termen van voorspellende nauwkeurigheid voor de globale dynamiek, wat suggereert dat complexe micro-gedragingen vaak kunnen worden samengevat in macro-parameters.
Toekomstige Richtingen: De auteurs benadrukken dat dit raamwerk een testomgeving biedt voor het bestuderen van interacties tussen menselijke en AI-agenten in online netwerken. Dit is cruciaal voor het voorspellen van sociale onrust en het begrijpen van hoe geautomatiseerde systemen de publieke opinie beïnvloeden.

Conclusie:
De studie concludeert dat de dynamiek van informatieverspreiding in LLM-netwerken, ondanks de complexiteit van individuele agenten, goed beschreven kan worden door een Susceptible-Infected (SI) type model met twee transmissiepercentages. Dit biedt een krachtig instrument voor het modelleren en voorspellen van de impact van AI op sociale stabiliteit.