💬 NLP

High Volatility and Action Bias Distinguish LLMs from Humans in Group Coordination

Dit onderzoek toont aan dat grote taalmodellen (LLMs) zich fundamenteel onderscheiden van mensen in groepscoördinatie door een gebrek aan adaptief leren en een overmatige neiging tot wisselend gedrag, wat hun vermogen om samen te werken beperkt ondanks de beschikbaarheid van rijkere feedback.

Oorspronkelijke auteurs: Sahaj Singh Maini, Robert L. Goldstone, Zoran Tiganj

Gepubliceerd 2026-04-06

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Sahaj Singh Maini, Robert L. Goldstone, Zoran Tiganj

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

Titel: Waarom AI-groepen soms als een gekke dansende menigte klinken, terwijl mensen als een goed geoefend orkest spelen

Stel je voor dat je een spelletje speelt met een groep vrienden. De opdracht is simpel: jullie moeten samen een geheim getal raden. Jullie mogen niet met elkaar praten. Iedereen schrijft een getal op, en jullie krijgen alleen te horen of de totaalsom van jullie getallen te hoog, te laag of precies goed is. Als het te hoog is, moet de groep iets verlagen; als het te laag is, iets verhogen.

Dit is wat onderzoekers de "Groep Binaire Zoektocht" noemen. Het klinkt saai, maar het is een perfecte test om te zien hoe goed een groep samenwerkt zonder direct contact.

In dit nieuwe onderzoek hebben wetenschappers gekeken of Artificial Intelligence (AI), specifiek de slimme taalmodellen (LLMs) die we nu gebruiken, net zo goed kunnen samenwerken als echte mensen. Het antwoord is verrassend: nee, ze doen het heel anders, en vaak veel slechter.

Hier is wat ze ontdekten, vertaald naar alledaagse beelden:

1. De "Actieverslaving" van de AI

Mensen zijn slimme, geduldige spelers. Als de groep al dicht bij het geheim getal is, zeggen mensen vaak: "Ik laat mijn getal maar even staan, ik ga niet zomaar veranderen." Ze vertrouwen op de stabiliteit van de groep.

De AI's daarentegen lijken verslaafd aan actie. Ze denken: "Ik moet iets doen! Ik moet iets veranderen!" Zelfs als het helemaal niet nodig is, veranderen ze hun getal elke ronde.

De analogie: Stel je voor dat je in een boot zit met een roeier. Als de boot al bijna stil ligt, houdt een menselijke roeier de riemen stil. Een AI-roeier blijft echter wild roeien, waardoor de boot heen en weer schommelt in plaats van stil te liggen. De AI's kunnen niet rustig blijven staan, wat zorgt voor een chaotische dans rondom het juiste antwoord.

2. Het probleem met de "Grote Menigte"

Bij mensen werkt samenwerking vaak beter naarmate je meer ervaring opdoet. Als je dit spel tien keer achter elkaar speelt, leren mensen elkaar kennen. Sommige mensen worden de "stabilisators" (die veranderen weinig), anderen de "aanpassers" (die veel veranderen). Ze verdelen de rollen vanzelfsprekend.

De AI's doen dit niet.

De analogie: Als je een orkest hebt met 17 mensen, leren ze na een paar nummers wie de viool moet spelen en wie de fluit. Bij AI's is het alsof je 17 muzikanten hebt die allemaal denken dat ze de solist moeten zijn. Ze spelen allemaal even hard en veranderen allemaal tegelijk. Hoe groter de groep, hoe chaotischer het wordt. Ze leren niet van hun eerdere fouten in het spel.

3. De "Overreactie" op feedback

Wanneer de groep te ver van het doel is, geven de mensen een kleine correctie. Ze zeggen: "Oeps, we waren een beetje te hoog, laten we iets verlagen." Ze zijn voorzichtig.

De AI's reageren echter extreem.

De analogie: Stel je voor dat je een thermostaat regelt. Als het 1 graad te koud is, draait een mens de knop een klein beetje op. Een AI-draait de thermostaat direct op 30 graden, waardoor het nu 20 graden te warm is. Dan draait de AI weer direct naar 0 graden. Het resultaat is een temperatuur die wild op en neer gaat, in plaats van stabiel te worden. De AI's "schrikken" te veel van de feedback en gooien alles om.

4. Het geheim van de "Gedetailleerde Feedback"

In het spel kregen sommige groepen alleen te horen: "Te hoog" of "Te laag". Andere groepen kregen te horen: "Te hoog met 25 punten".

Mensen: Kregen van die gedetailleerde info een enorme boost. Ze konden precies berekenen hoeveel ze moesten aanpassen.
AI's: Kregen hier geen voordeel van. Zelfs als ze wisten dat ze 25 punten te hoog zaten, bleven ze net zo wild schommelen als toen ze alleen "Te hoog" hoorden. Ze lijken de nuance van de cijfers niet goed te kunnen vertalen naar een slimme strategie.

Wat betekent dit voor de toekomst?

De boodschap van dit onderzoek is niet dat AI dom is. Het is slim in veel dingen. Maar als het gaat om samenwerken in een groep zonder te praten, missen ze een cruciaal menselijk ingrediënt: geduld en stabiliteit.

AI's zijn als hyperactieve kinderen die denken dat bewegen altijd beter is dan stilzitten. Mensen begrijpen dat soms "niets doen" de slimste zet is om de groep naar het doel te brengen.

Conclusie:
Als we in de toekomst AI's willen laten samenwerken met mensen of met elkaar in complexe groepen, moeten we ze niet alleen slimmer maken, maar ze ook leren om rustiger te zijn. Ze moeten leren dat niet elke ronde een nieuwe actie vereist, en dat stabiliteit soms belangrijker is dan verandering. Zolang ze blijven "dansend" rond het doel, zullen ze de menselijke groepen niet kunnen evenaren.

Titel: Hoge volatiliteit en actie-bias onderscheiden LLMs van mensen in groepscoördinatie

Auteurs: Sahaj Singh Maini, Robert L. Goldstone & Zoran Tiganj (Indiana University)

1. Probleemstelling

Hoewel grote taalmodellen (LLMs) steeds bekwaamer worden in complexe taken, blijft het een open vraag of ze adaptieve groepscoördinatie kunnen vertonen die vergelijkbaar is met die van mensen, en of ze dezelfde strategieën gebruiken. Coördinatie is cruciaal voor effectief groepsgedrag, vooral in omgevingen met onvolledige informatie en beperkte communicatie. Terwijl menselijke groepen dynamische strategieën ontwikkelen (zoals rollendifferentiatie en zelfconsistentie) om tot een gezamenlijk doel te komen zonder directe communicatie, vertonen multi-agent systemen (MAS) gebaseerd op LLMs vaak beperkte verbeteringen ten opzichte van single-agent baselines en frequente samenwerkingsfouten.

Het paper onderzoekt specifiek of LLMs kunnen leren van feedback en zich kunnen aanpassen in een pure coördinatietask, en identificeert de mechanismen die leiden tot falen in vergelijking met menselijk gedrag.

2. Methodologie

De auteurs evalueren LLMs en mensen in een gemeenschappelijk belangspel met onvolledige monitoring: Group Binary Search (GBS).

Het Spel (GBS):
- Een $n$ -speler spel waarbij elke speler onafhankelijk een getal moet raden.
- Doel: De som van alle ingediende getallen moet exact overeenkomen met een verborgen "mystery number" (tussen 51 en 100).
- Beperkingen: Geen directe communicatie tussen spelers. Spelers ontvangen alleen groepsfeedback.
- Feedback-types:
  1. Directioneel: "Te laag", "Te hoog" of "Precies goed".
  2. Numeriek: "Te laag met $k$ " of "Te hoog met $k$ " (geeft de grootte van de fout).
- Het spel eindigt bij succes of na maximaal 15 rondes.
Experimenteel Opzet:
- Deelnemers: Menselijke data (gebaseerd op eerdere studies van Roberts & Goldstone, 2011) als baseline, vergeleken met diverse LLMs: Deepseek-V3, Deepseek-V3.1-T, Llama 3.3, en Gemini 2.0 Flash.
- Groepsgroottes: Variërend van kleine (2-3 spelers), medium (4-7 spelers) tot grote groepen (10-17 spelers).
- Prompts: Twee condities: Zero-Shot en Zero-Shot Chain-of-Thought (CoT). De context groeide met elke ronde en omvatte de volledige geschiedenis van eerdere spellen.
- Aantal sessies: 10 spellen per sessie, waarbij de feedbacktype (directioneel vs. numeriek) werd afgewisseld.

3. Belangrijkste Resultaten

De analyse toont systematische verschillen tussen menselijke en LLM-groepen op het gebied van prestatie, aanpassing en dynamiek:

Prestatieverschillen:
- Mensen presteerden over het algemeen sterk en profiteerden aanzienlijk van numerieke feedback (snellere convergentie dan met alleen directionele feedback).
- LLM-groepen vertoonden inconsistente voordelen van numerieke feedback; in veel gevallen presteerden ze slechter met numerieke feedback dan met directionele feedback, en vaak slechter dan mensen.
- Prestaties van LLMs verslechterden sterker naarmate de groepsgrootte toenam, terwijl mensen beter in staat waren om dit te mitigeren.
Leren en Adaptatie over Spellen:
- Mensen: Toonden duidelijke verbetering (negatieve helling in leercurves) over opeenvolgende spellen, ongeacht de feedback.
- LLMs: Toonden minimaal tot geen cross-game learning. De prestaties bleven vaak vlak of verslechterden zelfs over de 10 spellen binnen een sessie. Dit suggereert een gebrek aan het vermogen om strategieën te verfijnen op basis van cumulatieve ervaring in een interactieve setting.
Reactie op Feedback (Overreactie vs. Onderreactie):
- Mensen: Neigden tot onderreactie (aanpassingen waren conservatiever dan de optimale correctie), wat stabiliteit in de groep bevorderde.
- LLMs: Toonden systematische overreactie. Ze pasten hun antwoorden te agressief aan op basis van feedback, wat leidde tot langdurige oscillaties rond het doelgetal en vertraagde convergentie.
Switching-gedrag en Actie-bias:
- Mensen: De neiging om het antwoord te veranderen ("switching") nam sterk af naarmate de groep dichter bij het doel kwam. Mensen namen vaak de beslissing om hun antwoord niet te veranderen (stabiliteit), vooral in grotere groepen, wat de coördinatie- last verlaagde.
- LLMs: Toonden een hoge basislijn van switching (actie-bias). Ze veranderden bijna elke ronde hun antwoord, zelfs als dit niet strategisch nodig was. Ze vertoonden zelden de "stay"-gedrag (niet veranderen) die bij mensen voorkwam. Dit leidde tot hoge volatiliteit in de groepssom.
Homogeniteit: Zelfs binnen groepen van hetzelfde modeltype was er vaak sprake van identiek gedrag (homogeniteit) door identieke inputs, wat de coördinatie niet verbeterde. Het mengen van verschillende modellen (heterogeniteit) leidde ook niet tot betere resultaten.

4. Bijdragen en Inzichten

Mechanistische Diagnose: Het paper biedt een gedetailleerde, op gedrag gebaseerde diagnose van waarom LLM-groepen falen in coördinatie: niet door gebrek aan begrip van de taak, maar door excessieve volatiliteit, actie-bias (de neiging om altijd iets te veranderen) en overreactie op feedback.
Rol van Feedback: Het toont aan dat LLMs moeite hebben om rijkere feedback (numerieke foutgrootte) effectief te vertalen naar gecoördineerde aanpassingen, in tegenstelling tot mensen die hier profijt van hebben.
Lerend Vermogen: Er is een fundamenteel verschil in het vermogen om te leren van ervaring over tijd (cross-game learning) in een multi-agent setting; LLMs falen hierin waar mensen slagen.
Implicaties voor Multi-Agent Systemen: De bevindingen wijzen op de noodzaak van nieuwe architecturen voor multi-agent AI die:
- Feedbackgeschiedenis beter integreren.
- Reactiviteit kunnen modereren (om overreactie te voorkomen).
- Collectief gedrag kunnen stabiliseren (door "niet-actie" of stabiliteit te belonen in plaats van alleen actie).

5. Significantie

Dit onderzoek is significant omdat het de kloof tussen menselijke en AI-coördinatie kwantificeert in een puur coördinatiescenario, los van zelfbelang of competitie. Het benadrukt dat het simpelweg "slimmer" maken van modellen niet voldoende is voor mensachtige samenwerking; de dynamische stabiliteit en het vermogen om strategisch inactief te zijn (om de groep te stabiliseren) zijn cruciale eigenschappen die huidige LLMs missen. Dit biedt een nieuwe richting voor het ontwikkelen van robuustere multi-agent systemen die echt kunnen samenwerken in complexe, onzekere omgevingen.