🔬 physics

From Heard to Lived Opinions: Simulating Opinion Dynamics with Grounded LLM Agents in Economic Environments

Dit artikel introduceert een nieuw raamwerk voor het simuleren van opiniedynamiek waarbij LLM-agenten zijn verankerd in een economische omgeving, waardoor hun meningen niet alleen door uitwisseling maar ook door directe economische ervaringen worden gevormd, wat leidt tot realistischere patronen van polarisatie en consensus.

Oorspronkelijke auteurs: Ryuji Hashimoto, Masahiro Kaneko, Ryosuke Takata, Takehiro Takayanagi, Kiyoshi Izumi

Gepubliceerd 2026-03-31

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Ryuji Hashimoto, Masahiro Kaneko, Ryosuke Takata, Takehiro Takayanagi, Kiyoshi Izumi

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. In deze stad wonen 20 virtuele mensen, gemaakt door kunstmatige intelligentie (LLM's). Tot nu toe hebben onderzoekers deze digitale mensen vooral laten praten. Ze lieten ze discussiëren over politiek of maatschappij, net als in een café. De vraag was: "Hoe veranderen hun meningen als ze met elkaar praten?"

Maar deze nieuwe studie zegt: "Wacht even, dat is niet hoe de echte wereld werkt." In het echt vormen we onze mening niet alleen door te praten, maar vooral door wat we meemaken. Als je je baan verliest, of als de prijzen van brood en melk omhoog schieten, verandert dat je kijk op de wereld.

De onderzoekers hebben daarom een nieuw soort stad gebouwd. Hierin moeten de digitale mensen niet alleen praten, maar ook werken, geld verdienen en boodschappen doen. Ze zitten vast in een economie die reageert op hun keuzes.

Hier is hoe het werkt, vertaald in een simpele analogie:

1. De Digitale Stad als een Spel

Stel je voor dat elke digitale persoon een speler is in een bordspel.

De Spelers: Ze hebben een persoonlijkheid (soms optimistisch, soms somber) en een portemonnee.
De Regels: Ze moeten elke ronde beslissen: "Ga ik hard werken of rustig aan doen?" en "Koop ik veel of weinig?"
De Wereld: Er is een "fabriek" (een computerprogramma) die producten maakt en prijzen bepaalt. Als iedereen veel koopt, stijgen de prijzen. Als niemand werkt, dalen de lonen. Er is ook een "overheid" die belastingen heft en een klein beetje geld geeft aan iedereen.

2. Van "Gezegde" naar "Gedaan"

In oude experimenten veranderden de spelers hun mening alleen omdat ze een ander zagen praten. In dit nieuwe experiment gebeurt er iets spannends:

Het Ervarings-effect: Als een speler hard werkt en veel geld verdient, voelt hij zich veilig en optimistisch. Hij zegt: "Het systeem werkt! We moeten doorgaan."
De Omgekeerde Situatie: Als een speler ziet dat de prijzen van alles stijgen en hij minder kan kopen, voelt hij zich onzeker. Hij wordt boos en zegt: "Het systeem is onrechtvaardig!"

De onderzoekers ontdekten dat de ervaringen (geld, werk, prijzen) de meningen veel sterker vormden dan alleen maar praten.

3. De Grote Ontdekkingen

Wat leerden ze uit deze digitale stad?

Onzekerheid maakt mensen star: Als de economie in de stad chaotisch wordt (prijzen schokken, lonen variëren), worden de mensen niet open-minded, maar juist stug. Ze klampen zich vast aan hun huidige mening, net als iemand die in een storm de stevige muur vasthoudt. Ze durven hun gedachte niet meer te veranderen omdat ze bang zijn voor het onbekende.
Rijkdom scheurt de stad: Als er grote verschillen zijn tussen de rijken en de armen in de stad, wordt de stad gespleten. De rijken en de armen praten niet meer met elkaar; ze zitten in twee totaal verschillende werelden met totaal verschillende meningen. Dit is wat we "polarisatie" noemen.
De hele stad beweegt mee: De meningen van de hele groep veranderen niet zomaar. Ze bewegen in de pas met de economie. Als de economie instabiel is, zijn de meningen ook onstabiel. Als de ongelijkheid groeit, wordt de haat tussen groepen groter.

Waarom is dit belangrijk?

Vroeger dachten we dat meningen vooral een "spraak-bubbel" waren. Deze studie laat zien dat meningen ook een "levens-bubbel" zijn.

Het is alsof je probeert te begrijpen waarom mensen boos zijn op de overheid. Als je alleen kijkt naar wat ze op Twitter zeggen, mis je het verhaal. Maar als je kijkt naar wat ze in hun portemonnee voelen (hun "geleefde ervaring"), zie je pas het echte plaatje.

Kortom:
De onderzoekers hebben laten zien dat je kunstmatige intelligentie niet alleen kunt laten "praten" om maatschappelijke trends te simuleren. Je moet ze ook laten "leven" in een wereld met regels, geld en risico's. Alleen dan krijg je een eerlijk beeld van hoe echte mensen denken en voelen. Het is het verschil tussen een toneelstuk waarin acteurs hun tekst opzeggen, en een echte stad waar mensen echt moeten overleven.

1. Probleemstelling

Traditioneel onderzoek naar opinionsdynamica (OD) (hoe individuele meningen evolueren en collectieve patronen zoals consensus of polarisatie vormen) richt zich voornamelijk op taaluitwisseling tussen agenten. Recent werk gebruikt Large Language Models (LLMs) om deze simulaties te verbeteren, maar deze benaderingen missen een cruciaal element: levenservaringen (lived experiences).

In de echte wereld worden meningen niet alleen gevormd door wat men hoort, maar ook door de economische gevolgen van eigen beslissingen (bijv. inkomen, werkloosheid, inflatie). Bestaande taal-only simulaties kunnen fenomenen zoals "rigiditeit onder bedreiging" (waarbij meningen star worden bij economische dreiging) of "polarisatie door ongelijkheid" niet modelleren als endogene uitkomsten van interactie. Er is een raamwerk nodig waarin LLM-agenten verankerd zijn in een omgeving die feedback geeft op hun acties.

2. Methodologie

De auteurs stellen een nieuw simulatiekader voor waarin LLM-agenten fungeren als huishoudens binnen een macro-economische omgeving.

Architectuur van de Simulatie

Agenten: $n$ LLM-agenten (gebaseerd op Llama 3.1 8B) fungeren als huishoudens.
Omgeving: Bestaat uit een regelgebaseerde Firma en een Overheid.
Tijdsstappen: De simulatie loopt over $T$ tijdstappen. In elke stap doorloopt elk huishouden een cyclus van beslissingen.

Actiecyclus per Huishouden ( $i$ )

Beslissingen: De LLM genereert categorische acties voor arbeidsaanbod ( $L$ ) en consumptie ( $C$ ) (laag, medium, hoog) en een tekstuele mening ( $O$ ) over de maatschappij.
Mapping: De categorische acties worden omgezet naar continue waarden via uniform bemonstering binnen vooraf gedefinieerde intervallen.
Financiële Update: Het kasbestand ( $M$ ) wordt bijgewerkt op basis van loon, consumptie, belastingen en subsidies.
Prompting: De LLM ontvangt een gestructureerde prompt met:
- Rolinstructie en persona (demografie, Big Five persoonlijkheid).
- Publieke informatie (historische lonen, prijzen).
- Waargenomen meningen van andere huishoudens.
- Eigen financiële geschiedenis (relatieve positie ten opzichte van het gemiddelde).
- Vorige mening.

Omgevingsdynamiek (Firma & Overheid)

Firma: Produceert goederen volgens een Cobb-Douglas productiefunctie ( $Y = A \cdot K^\alpha \cdot L^{1-\alpha}$ $Y = A \cdot K^{α} \cdot L^{1 - α}$ ).
- Prijsaanpassing: Prijzen worden aangepast op basis van vraag-aanbod onevenwicht.
- Loonaanpassing: Lonen worden aangepast richting de marginale productiviteit van arbeid.
Overheid: Implementeert een basisinkomen (subsidie) en een progressief belastingstelsel gebaseerd op de relatieve financiële status van het huishouden.

Data-analyse en Representatie

Om de complexe, ongestructureerde data te analyseren, definiëren de auteurs een interne staat ( $h_{t,i}$ ) voor elke agent:

Sentiment: Gediscretiseerd in Negatief (NEG), Neutraal (NEU) en Positief (POS) op basis van een sentiment-score.
Economische Status: Gediscretiseerd in Laag, Gemiddeld en Hoog op basis van het inkomen.
Transities: De overgangen tussen deze interne staten ( $h_{t-1} \to h_t$ ) worden vastgelegd als transitiematrices.
Populatiemetingen:
- Gini-coëfficiënt: Maat voor economische ongelijkheid.
- Polarisatie-index: Maat voor de scheiding tussen positieve en negatieve groepen, gecorrigeerd voor groepsgrootte.
- Wasserstein-afstand: Maat voor de verandering in de verdeling van meningen over de tijd.

3. Belangrijkste Bijdragen

Verankering van LLM's in Economie: Het introduceren van een framework waar LLM-agenten niet alleen communiceren, maar ook economische acties ondernemen die directe, endogene feedback genereren.
Endogene Opinie-vorming: Het aantonen dat meningen niet statisch zijn, maar dynamisch evolueren op basis van "geleefde ervaringen" (economische uitkomsten).
Schalingsanalyse: Het koppelen van individuele gedragspatronen aan collectieve macro-economische verschijnselen, waardoor nieuwe inzichten ontstaan in de relatie tussen economie en sociale dynamiek.

4. Resultaten

De auteurs beantwoorden drie onderzoeksvragen (RQ):

RQ1: Gedragsvalidatie:
- Agenten reageren coherent op hun financiële situatie. Huishoudens met een laag inkomen kiezen vaker voor hoog arbeidsaanbod en lage consumptie, terwijl rijke huishoudens het tegenovergestelde doen.
- De inhoud van de meningen (tekst) correspondeert met de economische staat (bijv. lage inkomens met negatief sentiment spreken over "onrecht" en "overleven", terwijl hoge inkomens met positief sentiment spreken over "kansen").
RQ2: Individuele Opinionsdynamica:
- Meningsverandering is ervaringsafhankelijk. Agenten vertonen verschillende patronen: sommigen blijven stabiel, anderen veranderen sterk op basis van economische feedback.
- Rigiditeit onder dreiging: Er is een negatief verband tussen prijsfluctuaties (economische instabiliteit) en de snelheid van meningsverandering. Bij hoge economische onzekerheid worden agenten star in hun meningen (bevestiging van de threat-rigidity hypothesis).
RQ3: Collectieve Opinionsdynamica:
- Ongelijkheid en Polarisatie: Er is een significante positieve correlatie tussen de Gini-coëfficiënt (economische ongelijkheid) en de mate van polarisatie in de meningen. Grotere economische kloven leiden tot een sterkere tweedeling in de bevolking.
- Instabiliteit en Tijdsdynamiek: Hoge prijsvolatiliteit correleert met grotere veranderingen in de collectieve meningsverdeling over de tijd (temporele instabiliteit).

5. Betekenis en Conclusie

Dit paper toont aan dat het modelleren van LLM-agenten als economische actoren in een verankerde omgeving essentieel is om realistische opinionsdynamica te simuleren.

Kerninzicht: Meningen zijn niet slechts het resultaat van taaluitwisseling, maar worden actief gedreven door de gevolgen van eigen acties in een economisch systeem.
Nieuwe Patronen: Het framework maakt het mogelijk om fenomenen te observeren die in taal-only simulaties onzichtbaar blijven, zoals de emergentie van polarisatie door ongelijkheid en de starheid van meningen tijdens economische crises.
Toekomstige Richting: Hoewel het huidige model de taalinteractie vereenvoudigt om de effecten van economische feedback te isoleren, biedt het een basis voor complexere simulaties waarbij meningen en economische keuzes wederzijds beïnvloeden (bidirectionele dynamiek).

De studie onderstreept dat voor het begrijpen van collectieve sociale dynamiek, agenten niet alleen "gehoord" moeten worden, maar ook "geleefd" moeten worden in hun omgeving.