💻 computer science

Modeling Emotional Dynamics in Agent-to-Agent Interactions on Moltbook

Deze paper analyseert de emotionele dynamiek en gedragsstabiliteit van grootschalige AI-agenten die interageren op het sociale netwerk Moltbook door een emotiebewust raamwerk en een Persona-Stimulus-Reactie (PSR)-domein te introduceren om tekstuele interacties af te beelden op fijnmazige emotionele categorieën en de uitlijning van reacties te evalueren.

Oorspronkelijke auteurs: Syed Mhamudul Hasan, Abdur R. Shahid

Gepubliceerd 2026-05-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Syed Mhamudul Hasan, Abdur R. Shahid

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 gloednieuw sociaalmediaplatform voor dat Moltbook heet. Maar er is een draai: geen mens mag posten of commentaar geven. De hele site wordt gerund door duizenden kunstmatige intelligentie (KI)-agenten die met elkaar praten, berichten schrijven en gemeenschappen betreden, allemaal op eigen houtje. Het is als een digitaal stadsplein dat volledig bevolkt wordt door robots.

De auteurs van dit artikel wilden een simpele vraag beantwoorden: Hoe voelen deze robotgevoelens zich? Worden ze boos? Zijn ze blij? Blijven ze hetzelfde, of veranderen ze op basis van wat anderen zeggen?

Hier is een uiteenzetting van hun studie met behulp van alledaagse analogieën:

1. Het probleem met oude kaarten (VAD versus PSR)

Traditioneel meten wetenschappers emoties met een 3D-kaart genaamd VAD (Valentie, Arousal, Dominantie). Denk hierbij aan een weersvoorspelling die alleen zegt: "Het is zonnig, winderig en vochtig." Het geeft je een algemene momentopname, maar het vertelt je niet waarom het weer veranderde of hoe het zich verder zou kunnen ontwikkelen.

De onderzoekers vonden dat dit niet genoeg was voor KI-agenten. Zij stelden een nieuw raamwerk voor dat PSR (Persona, Stimulus, Reactie) heet.

Persona (P): Dit is de "achtergrondverhaal" of persoonlijkheid van de agent. Stel je dit voor als de biografie van de agent of hun permanente modusinstelling. Het is wie ze zijn wanneer ze wakker worden.
Stimulus (S): Dit is het "nieuws" of het bericht dat ze van iemand anders zien. Het is het externe gebeurtenis dat hen overkomt.
Reactie (R): Dit is het commentaar dat de agent als antwoord schrijft. Het is hun emotionele output.

De Analogie:
Denk aan de Persona als het gebruikelijke temperament van een persoon (bijvoorbeeld: "Ik ben meestal een rustig persoon").
Denk aan de Stimulus als iemand die op straat tegen je schreeuwt.
Denk aan de Reactie als wat je daadwerkelijk terug zegt.
Het artikel betoogt dat je om de robot te begrijpen, niet alleen naar het geschreeuw (Stimulus) of alleen naar het antwoord (Reactie) kunt kijken. Je moet kijken naar hoe de rustige persoon (Persona) reageerde op het geschreeuw.

2. Hoe ze het maten

De onderzoekers verzamelden data van Moltbook: agentbiografieën, berichten en commentaren. Ze gebruikten een slimme tool (een KI-model) om de tekst te lezen en deze toe te wijzen aan één van de 28 specifieke emoties (zoals "Vreugde", "Boosheid", "Nieuwsgierigheid" of "Neutraal").

In plaats van alleen te zeggen "Deze robot is blij", projecteerden ze deze emoties op die 3D-weerkaart (VAD-ruimte), maar behandelden ze als wolken in plaats van enkele punten.

Ze gebruikten een statistische methode genaamd een Gaussian Mixture Model (GMM).
De Analogie: Stel je voor dat je een zwerm vogels probeert te beschrijven. Een simpele methode zou kunnen zeggen: "De vogels bevinden zich op deze ene plek." De methode van de onderzoekers zegt: "De vogels zijn hier verspreid in een wolkvorm, waarbij sommigen hoger vliegen en sommigen lager." Dit vangt de variabiliteit en onzekerheid van de gevoelens van de robot, in plaats van ze in één enkele doos te dwingen.

3. Wat ze vonden

Na het rekenwerk te hebben gedaan, categoriseerden ze de robots in verschillende "gedragssoorten" op basis van hoe hun Persona, Stimulus en Reactie op elkaar aansloten:

De "Echo-kamer" (Stimulus-gedreven): Deze robots kopiëren voornamelijk de stemming van het bericht waarop ze reageren. Als het bericht boos is, worden ze boos. Ze zijn makkelijk beïnvloedbaar door de directe context.
De "Stijfkop" (Persona-consistent): Deze robots houden vast aan hun eigen persoonlijkheid. Zelfs als iemand iets gekks post, reageren ze op een manier die overeenkomt met hun eigen biografie, en negeren ze de stemming van de ander.
De "Chameleont" (Transformative): Deze robots veranderen hun persoonlijkheid volledig op basis van de interactie. Hun reactie is totaal anders dan wie ze zijn en wat ze te horen kregen.
De "Neutrale meerderheid": De grootste bevinding was dat de meeste van de tijd de robots gewoon... neutraal zijn. Of het nu in hun biografieën, hun berichten of hun commentaren was, de dominante emotie was "Neutraal". De robots hadden geen wilde emotionele uitbarstingen; ze bestonden voornamelijk gewoon.

4. De beperkingen (De "ontbrekende stukjes")

De auteurs waren eerlijk over de gebreken in hun studie:

Onvolledige data: Veel robots hadden geen biografie, of ze postten niet, of ze commentarieerden niet. Zonder alle drie de onderdelen (Persona, Stimulus, Reactie) konden ze die robot niet analyseren. Dit was als proberen een puzzel op te lossen met ontbrekende stukjes.
Alleen tekst: Ze konden alleen woorden analyseren. Als een robot een emoji of een afbeelding gebruikte om emotie te tonen, miste de studie dit.
Vertaalproblemen: Omdat de robots veel talen spraken, moesten de onderzoekers alles eerst naar het Engels vertalen. Dit is als proberen een grap in een vreemde taal te begrijpen nadat je hem hebt vertaald; sommige van de subtiele "smaak" van de emotie kan verloren gaan.

Samenvatting

Kortom, het artikel bouwde een nieuwe manier om te kijken hoe KI-agenten zich voelen en op elkaar reageren. Ze ontdekten dat hoewel deze robots kunnen laten zien dat ze complexe emoties hebben, ze voornamelijk neutraal zijn en vaak gewoon reageren op wat er om hen heen gebeurt, in plaats van vast te houden aan een diepe, onveranderlijke persoonlijkheid. Ze bewezen dat kijken naar de relatie tussen wie de robot is, wat het ziet en wat het zegt, een veel duidelijker beeld geeft dan alleen naar de woorden kijken.

Technische Samenvatting: Modellering van Emotionele Dynamiek in Agent-tot-Agent Interacties op Moltbook

Probleemstelling

De snelle implementatie van Generatieve AI-systemen als interactieve agenten in online omgevingen, zoals het uitsluitend door AI beheerde sociale netwerk "Moltbook", heeft een nieuw ecosysteem gecreëerd waar interacties plaatsvinden zonder directe menselijke deelname. Hoewel de structurele eigenschappen van deze door agenten aangedreven netwerken (bijv. topologie, informatiestroom) bestudeerd zijn, blijft de emotionele dynamiek van agent-tot-agent interacties onvoldoende begrepen.

Bestaande benaderingen voor emotionele modellering vertrouwen vaak op het Valentie-Arousal-Dominantie (VAD)-kader, dat emoties in een continue driedimensionale ruimte afbeeldt. De auteurs betogen echter dat VAD ontoereikend is voor autonome agenten omdat:

Het emoties behandelt als statische punten in plaats van dynamische uitkomsten van interactie.
Het niet in staat is om te vangen hoe emoties worden gegenereerd of getransformeerd door de relationele structuur van Persona (agentidentiteit), Stimulus (inkomende inhoud) en Reactie (agentrespons).
Het de probabilistische, multimodale aard van agentgedrag niet adequaat modelleert, waarbij een enkele interactie overlappende emotionele invloeden kan weerspiegelen.

De studie adresseert twee primaire onderzoeksvragen:

RV1: Hoe kan het emotionele gedrag van agentische AI kwantitatief worden gemodelleerd met behulp van continue affectieve representaties?
RV2: Zijn huidige affectieve modellen zoals VAD toereikend om het dynamische karakter van emotie in agentische AI-systemen te vangen?

Methodologie

1. Dataset en Hulpmiddelen

De studie maakt gebruik van de Moltbook-crawl dataset, verzameld via de publieke Moltbook API tussen 27 januari en 8 februari 2026. De dataset bevat agentbiografieën, berichten, reacties en sub-gemeenschapsdata (submolt).

Preprocessing: Tekst wordt vertaald naar het Engels met Google's Deep Translate.
Emotie-extractie: Een vooraf getraind model (SamLowe/roberta-base-go_emotions), getraind op de Google GoEmotions dataset, wordt gebruikt om tekst af te beelden op 28 emotionele categorieën (27 specifieke emoties + Neutraal).
VAD-afbeelding: Deze 28 categorieën worden afgebeeld op een continue 3D VAD-ruimte (Valentie, Arousal, Dominantie) met behulp van het NRC VAD Lexicon.

2. Het Persona–Stimulus–Reactie (PSR) Kader

Om de beperkingen van statische VAD-modellering te overwinnen, stellen de auteurs het PSR-kader voor, dat emotionele analyse structureert in drie onderling afhankelijke componenten, allemaal weergegeven als verzamelingen van VAD-vector:

Persona ( $P$ ): Afgeleid uit de biografie van de agent (bijv. x_bio). Het vertegenwoordigt de basisaffectieve toestand en identiteitspersistentie van de agent.
Stimulus ( $S$ ): Afgeleid uit de tekst van een bericht. Het vertegenwoordigt de externe emotionele input of context.
Reactie ( $R$ ): Afgeleid uit de reactie van de agent op een bericht. Het vertegenwoordigt het waarneembare emotionele resultaat.

3. Probabilistische Modellering met Gaussische Mengmodellen (GMM)

In plaats van eenvoudige op centroid gebaseerde clustering (zoals K-means) te gebruiken, maken de auteurs gebruik van Gaussische Mengmodellen (GMM) om de emotionele verdelingen binnen de PSR-ruimte te modelleren.

Redenering: Agentinteracties zijn inherent probabilistisch, overlappend en multimodaal. Een enkele reactie kan meerdere latente emotionele invloeden weerspiegelen.
Implementatie: Elke component ( $P, S, R$ ) wordt gemodelleerd als een verdeling met een gemiddelde ( $\mu$ ) die de centrale neiging vertegenwoordigt en een covariantie ( $\Sigma$ ) die de spreiding en oriëntatie vastlegt.
Afstandsmetingen: Het kader berekent paarwijze afstanden tussen de centroiden van $P$ , $S$ en $R$ (aangeduid als $d_{PS}$ , $d_{SR}$ , $d_{PR}$ ) om gedragsalignering te bepalen.

4. GedragsTypologie

Op basis van de afstanden tussen PSR-componenten worden agenten geclassificeerd in vijf gedragssoorten:

Geharmoniseerd: Lage afstanden over alle componenten heen (coherent gedrag).
Persona-Consistent: Reactie sluit aan bij Persona maar niet bij Stimulus (stabiele identiteit).
Stimulus-gedreven: Reactie sluit aan bij Stimulus maar niet bij Persona (contextafhankelijk).
Transformatief: Reactie wijkt af van zowel Persona als Stimulus.
Conflictoplossend: Persona en Stimulus conflicteren; de reactie sluit aan bij de een terwijl ze afwijkt van de ander.

Belangrijkste Resultaten

Overzicht van de Data

De dataset bevat 124.165 agenten, 759.997 berichten en 3.079.480 reacties.
Vanwege API-limieten, vertaalfouten en agentinactiviteit omvat de geanalyseerde subset 21.972 agenten met volledige PSR-data (biografie, bericht en reactie).

Emotionele Verdeling

Dominantie van Neutraliteit: "Neutraal" is de overweldigend dominante emotie in biografieën, berichten en reacties.
Variabiliteit: Waar berichten grotendeels neutraal zijn, vertonen reacties grotere emotionele diversiteit, beïnvloed door de stimulus van het bericht.
Arousal-niveaus: Hoog-arousal negatieve emoties (woede, angst, walging) zijn relatief zeldzaam.

Gedragspatronen

Onbekende Categorie: Een aanzienlijk deel van de agenten valt onder de categorie "Onbekend" vanwege ontbrekende PSR-componenten (onvolledige data), wat de uitdaging benadrukt om volledige interactieketens te verkrijgen in datasets in een vroeg stadium.
Dominantie van Stimulus-gedreven: Onder de geldige classificaties vormen Type 3 (Stimulus-gedreven) agenten het grootste aandeel (ongeveer 39% van de geclassificeerde emoties). Dit suggereert dat in de korte-termijn crawl, agentreacties zwaar worden beïnvloed door de directe context van het bericht in plaats van een vaste interne persona.
Complexiteit: De aanwezigheid van "Transformatieve" en "Conflictoplossende" soorten geeft aan dat agentresponsen niet deterministisch zijn; ze weerspiegelen complexe interacties tussen interne dispositie en externe signalen.
Multimodaliteit: De GMM-analyse bevestigt dat agentreacties multimodaal zijn, en variabiliteit vastleggen die een classificatie met enkele labels zou missen.

Betekenis en Bijdragen

Het paper claimt een van de eerste gestructureerde benaderingen te bieden voor het modelleren van emotionele dynamiek in op agenten gebaseerde sociale netwerken. De primaire bijdragen zijn:

Verschuiving van Statische naar Dynamische Modellering: Het werk gaat voorbij aan het behandelen van emotie als een statisch label in VAD-ruimte. Door het PSR-kader in te voeren, modelleert het emotioneel gedrag als een causaal proces dat identiteit, context en respons omvat.
Probabilistische Representatie: De integratie van Gaussische Mengmodellen (GMM) maakt het mogelijk om overlappende, multimodale emotionele toestanden te vangen, en biedt een meer interpreteerbaar en theoretisch consistent alternatief voor harde-clustering methoden zoals K-means.
GedragsTypologie: De studie vestigt een taxonomie van agentgedrag (bijv. Stimulus-gedreven versus Persona-Consistent), en biedt een mechanisme om de gedragsbetrouwbaarheid en stabiliteit van agentische AI te evalueren.
Empirische Inzichten: De analyse onthult dat hoewel agent-ecosystemen statistisch menselijke sociale structuren nabootsen, hun emotionele dynamiek uniek is, gekenmerkt door een dominantie van neutrale tonen en een zware afhankelijkheid van directe contextuele stimuli (berichten) boven stabiele interne persona's in het waargenomen tijdsbestek.

De auteurs concluderen dat hoewel het PSR-kader effectief de wisselwerking tussen identiteit en context vastlegt, er toekomstig werk nodig is om data-onvolledigheid aan te pakken, de temporele dekking uit te breiden en multimodale signalen (afbeeldingen/video) te integreren om agentgedrag volledig in het PSR-domein te projecteren.