How Affect Propagates among LLM Agents: Emergent Emotional Contagion in Crowd Simulation

Technische Samenvatting: Hoe affect zich voortplant onder LLM-agenten

Probleemstelling
Dit artikel onderzoekt de emergente dynamiek van emotionele besmetting binnen multi-agent-systemen die worden aangestuurd door Large Language Models (LLM's). Hoewel LLM-samenlevingen zijn gebruikt om menselijk gedrag te modelleren en collectieve fenomenen te bestuderen, blijven de specifieke mechanismen waarmee affect tussen agenten wordt voortgeplant — zonder hard-coded transferregels — onderbelicht. De auteurs adresseren de vraag of lokale interacties, gemedieerd door de perceptie, taxatie (appraisal) en expressie van een agent, coherente ruimtelijke, temporele en dispositionele patronen van affect-voortplanting kunnen produceren, zoals paniek of vreugde, in een dynamische menigtesimulatie.

Methodologie
De auteurs stellen een hybride architectuur voor die hoogwaardige cognitieve verwerking ontkoppelt van laagwaardige fysieke controle:

• Cognitieve Laag: Elke agent bezit een LLM-gebaseerde "geest" die de cognitieve taxatie, updates van de interne emotionele staat en de selectie van uiterlijke expressies beheert. De interne staat van de agent wordt gedefinieerd door:
  • Persoonlijkheid: Vertegenwoordigd via het Big Five (OCEAN)-model.
  • Emotie: Gecodeerd met behulp van het circumplex-model van Russell (Valentie en Arousal).
  • Geheugen: Een kortetermijn-rolling queue van saillante gebeurtenissen.
• Perceptie-Taxatie-Expressie Lus: Agenten nemen buren waar via visuele, auditieve en tactiele kanalen. De LLM taxeert deze inputs tegen de persoonlijkheid, het geheugen en de context van de agent om de interne staat bij te werken en expressies te selecteren (gezicht, gebaren, stem en beweging).
• Fysieke Laag: Een conventionele Unity-menigtesimulator handelt lokomotie, padplanning (A*) en botsingsvermijding (Reciprocal Velocity Obstacles) af, onafhankelijk van de LLM, om real-time prestaties en fysieke realisme te garanderen.
• Experimentele Opzet: Vijf scenario's zijn ontworpen (Kalm Plein, Concert, Evacuatie, Staande Rij, Betwist Hek) om specifieke hypothesen te testen met betrekking tot lokale besmetting, ruimtelijke voortplanting, epidemische modellering, modaliteit-afhankelijkheid en door persoonlijkheid gedreven emergentie. De studie maakte gebruik van het gemini-3.1-flash-lite model als primaire backend, met robuustheidscontroles tegen andere modellen (gpt-4o-mini, llama3.1:8b, llama3.2:3b).

Belangrijkste Bijdragen

1. Taxatie-gemedieerde Besmettingsarchitectuur: Het artikel introduceert een systeem waarbij emotionele overdracht niet wordt beheerst door algoritmische regels (bijv. gewogen gemiddelden of differentiaalvergelijkingen), maar volledig emergeert uit de taxatie door een LLM van geobserveerd gedrag.
2. Empirische Validatie van Hypothesen: De studie test systematisch vijf hypothesen over de aard van affect-voortplanting, en levert bewijs voor ruimtelijke golfachtige verspreiding, epidemische dynamiek en de cruciale rol van persoonlijkheid bij het bepalen of besmetting ontbrandt.
3. Modaliteit en Backend Analyse: Het werk kwantificeert de relatieve bijdrage van verschillende communicatiemodaliteiten (stem, gebaar, gezicht, beweging) aan besmetting en demonstreert dat de emergente dynamiek sterk afhankelijk is van de gevoeligheid van de specifieke LLM-backend voor persoonlijkheidskenmerken.

Resultaten

• Lokale Besmetting (H1): Observeerbare expressies van buren voorspellen veranderingen in de affect van een agent. Alarmsignalen verlagen consequent de valentie en verhogen de arousal. Positieve signalen verhogen de valentie, hoewel het effect op arousal minder consistent was en waarschijnlijk werd gedreven door de context van het scenario in plaats van door de overdracht van buren.
• Ruimtelijke Voortplanting (H2): Alarm dat in een gelokaliseerde cluster is ingezaaid, verspreidt zich als een bewegende golffront in lineaire omgevingen. Het begin van paniek correleert positief met de afstand tot de bron, met een geschatte voortplantingssnelheid van ongeveer 0,96 m/s.
• Epidemische Dynamiek (H3): De verspreiding van alarm volgt een patroon dat kwalitatief consistent is met een Susceptible-Infected-Susceptible (SIS) model, waarbij het stabiliseert op een plateau met een niet-nul endemische waarde in plaats van te vervallen naar nul (zoals in SIR-modellen). Echter, de dynamiek past niet strikt op één enkele parameterset voor zowel de initiële overschot (overshoot) als het plateau, en er werd geen kritische massa-drempel waargenomen.
• Modaliteit-Afhankelijkheid (H4): Besmetting stort in tot een lage baseline wanneer alle modaliteiten zijn uitgeschakeld. Stem draagt de meeste besmetting over vanwege het omnidirectionele bereik, terwijl gebaren de meest krachtige zijn per blootstelling. Gezichtsuitdrukkingen coderen primair valentie, terwijl beweging arousal codeert.
• Persoonlijkheid-Gedreven Emergentie (H5):
  • Neuroticisme: Een hoog gemiddeld neuroticisme in een menigte veroorzaakt dat een ambigue stimulus een zelfversterkende paniek triggert, terwijl stabiele menigten kalm blijven.
  • Kalme Leiders: Een minderheid van kalme, consciëntieuze agenten vermindert de paniek in de menigte lichtjes, maar voorkomt deze niet, wat wijst op een negativiteitsbias in de taxatie waarbij alarm-signalen de geruststellende signalen domineren.
  • Woede versus Angst: In aanwezigheid van een provocateur taxeert een onverbiddelijke (lage agreeableness) menigte de situatie als woede, terwijl een baseline menigte dezelfde situatie taxeert als angst.
• Backend-Gevoeligheid: De emergente golfdynamiek is backend-afhankelijk. Modellen die er niet in slagen een significant verschil in taxatie op basis van persoonlijkheid te handhaven (bijv. gpt-4o-mini in deze studie), falen in het in stand houden van besmetting, zelfs als ze signalen correct interpreteren.

Betekenis en Claims
Het artikel beweert te karakteriseren hoe affect zich voortplant onder interagerende taalmodellen in multi-agent-omgevingen, een vraagstuk van toenemend belang naarmate LLM-agenten worden ingezet in collaboratieve omgevingen. De bevindingen suggereren dat voor LLM-gestuurde menigten om realistische emergente dynamiek te vertonen, het onderliggende model niet alleen signalen correct moet interpreteren, maar ook gevoelig moet zijn voor persoonlijkheidskenmerken die de taxatie moduleren.

De auteurs verklaren expliciet dat deze resultaten het gedrag karakteriseren van de specifieke geteste LLM-gebaseerde architectuur en niet geïnterpreteerd moeten worden als bewijs dat LLM-agenten emoties ervaren, noch als een gevalideerd model van menselijk menigtedrag. De studie beoogt een testbed te bieden voor het begrijpen van de stabiliteit en emergente eigenschappen van multi-agent-systemen, met potentiële toepassingen voor het genereren van psychologisch diverse menigten voor games, film en trainingssimulaties, in afwachting van verdere validatie tegen empirische menselijke data.