Computational Multi-Agents Society Experiments: Social Modeling Framework Based on Generative Agents

Este artigo apresenta o CMASE, um quadro de trabalho para experimentos computacionais em sociedades multiagentes que integra agentes generativos com métodos etnográficos virtuais, permitindo que pesquisadores atuem como participantes embutidos para simular, interpretar e intervir em fenômenos sociais complexos com rigor causal e precisão empírica.

O essencial

Imagine que você é um diretor de cinema, mas em vez de atores reais, você está dirigindo uma cidade inteira feita de Inteligência Artificial. E o melhor: você não fica apenas sentado na cadeira de diretor gritando ordens. Você pode entrar no filme, caminhar pelas ruas, conversar com os personagens e mudar o roteiro enquanto a história acontece.

É exatamente isso que o artigo apresenta: um novo sistema chamado CMASE.

Aqui está uma explicação simples, usando analogias do dia a dia:

1. O Problema: Os "Bonecos" de Antigo

Antes, os cientistas sociais usavam simulações de computador como se fossem tabuleiros de jogo de tabuleiro muito rígidos.

• Como funcionava: O cientista criava regras fixas (ex: "se chover, o boneco fica triste").
• O defeito: Os "bonecos" (agentes) não pensavam de verdade. Eles apenas seguiam fórmulas matemáticas. Se você quisesse ver o que acontecia se mudasse uma regra no meio do jogo, tinha que parar tudo, apagar o tabuleiro e começar de novo. Era como tentar dirigir um carro com o motor desligado.

2. A Solução: A Cidade Viva (CMASE)

O CMASE usa a tecnologia de Agentes Generativos (baseada em IAs conversacionais, como o ChatGPT) para criar uma sociedade virtual onde cada pessoa é um "ator" com personalidade própria.

• A Analogia do RPG de Mesa: Pense em um jogo de RPG (como Dungeons & Dragons). No jogo, o mestre do jogo descreve o cenário e os jogadores decidem o que fazer.
• A Inovação: No CMASE, o pesquisador não é apenas o "mestre do jogo" que fica fora da mesa. Ele é um jogador dentro da mesa. Ele pode entrar na simulação, conversar com os agentes, fazer perguntas e tentar mudar o comportamento deles em tempo real, como se estivesse em uma etnografia (um estudo de campo) virtual.

3. Como Funciona na Prática?

O sistema tem quatro partes principais, que funcionam como os ingredientes de uma receita:

1. O Construtor de Cenários (O Arquiteto): Você desenha o mapa da cidade. Pode colocar casas, parques, bancos e paredes. Você define o que cada objeto faz (ex: "sentar neste banco deixa a pessoa mais calma").
2. O Ambiente (O Palco): É o mundo onde tudo acontece. O tempo passa em "rodadas" (como em jogos de tabuleiro). O sistema calcula o que cada agente vê e ouve.
3. Os Agentes (Os Atores): Cada agente tem:
   • Memória: Lembra do que aconteceu ontem.
   • Personalidade: Tem idade, profissão e gostos.
   • Emoções: Sentem coisas como raiva, alegria ou tédio baseadas no que veem.
   • Objetivos: Querem coisas (ex: "fazer novos amigos" ou "economizar dinheiro").
4. Os Eventos (O Clima): O pesquisador pode criar eventos de emergência (ex: "começa a chover" ou "uma festa acontece") e ver como a cidade reage.

4. O Experimento Real: Parques e Felicidade

Para provar que funciona, os autores fizeram um teste inspirado em um estudo real sobre parques urbanos.

• A Pergunta: Parques verdes fazem as pessoas se sentirem menos isoladas e desconfiadas umas das outras?
• O Teste: Eles criaram duas cidades virtuais: uma com muito verde e outra com pouco. Colocaram 10 "pessoas" (agentes) em cada uma.
• O Resultado: Na cidade com mais verde, os agentes realmente se sentiram menos desconfiados e mais conectados. Eles foram para os bancos, conversaram e se sentiram melhor.
• O Pulo do Gato: Os pesquisadores entraram na simulação, conversaram com os agentes e perguntaram: "Por que você está aqui?". Eles descobriram detalhes que um simples gráfico de computador não mostraria, como a sensação de "estar vivo" e a necessidade de interação social.

5. Por que isso é importante?

• Economia e Velocidade: Fazer pesquisas de rua com pessoas reais é caro e demorado. Fazer com robôs no computador é mais barato e rápido.
• Segurança Ética: Você pode testar políticas públicas (ex: "o que acontece se fecharmos as escolas?") sem prejudicar ninguém de verdade.
• Ciência com "Alma": Diferente dos modelos antigos que eram apenas números, o CMASE gera histórias e diálogos. Ele ajuda a entender por que as pessoas agem assim, não apenas o que elas fazem.

Resumo Final

O CMASE é como um simulador de vida onde você pode ser um cientista social, um diretor de cinema e um vizinho ao mesmo tempo. Ele permite que a gente "viaje no tempo" para ver como pequenas mudanças no mundo (como plantar uma árvore ou mudar uma lei) podem afetar a felicidade e o comportamento de uma sociedade inteira, tudo isso dentro de um computador, de forma segura e interativa.

É um passo gigante para entender a humanidade usando a inteligência artificial como espelho.

Resumo técnico

Resumo Técnico: CMASE – Um Framework para Experimentos Computacionais em Sociedades Multiagentes

1. Problema e Motivação

As ciências sociais tradicionais dependem de métodos como questionários e experimentos psicológicos, que são caros, difíceis de escalar e apresentam riscos éticos. A modelagem baseada em agentes (ABM) surgiu como alternativa, mas frequentemente opera em níveis analíticos abstratos, onde os agentes seguem regras heurísticas rígidas definidas pelo modelador, limitando a capacidade de capturar a complexidade cognitiva e emocional humana real.

Embora a Modelagem Baseada em Agentes Generativos (GABM), impulsionada por Grandes Modelos de Linguagem (LLMs), tenha avançado na simulação de comportamentos complexos, a maioria dos sistemas atuais permanece restrita a:

• Modelagem Descritiva ou Preditiva: Focada em observar fenômenos ou prever resultados sem intervenção humana em tempo real.
• Ambientes Fechados: Os pesquisadores atuam como operadores externos, configurando o modelo antes da execução e analisando dados post-hoc, sem a capacidade de intervir dinamicamente ou "entrar" no mundo simulado durante o processo.

Existe uma lacuna crítica na modelagem abrangente (comprehensive modeling), que exige não apenas a simulação de sistemas sociais dinâmicos, mas também a incorporação de intervenções humanas em tempo real para observar, orientar e interpretar a evolução desses sistemas, funcionando como um "campo etnográfico simulado".

2. Metodologia: O Framework CMASE

O artigo propõe o CMASE (Computational Multi-Agents Society Experiments), um framework que integra modelagem baseada em agentes generativos com métodos etnográficos virtuais. O sistema transforma a simulação em um campo de pesquisa onde o pesquisador é um participante embutido.

Arquitetura do Sistema:
O framework é composto por quatro módulos principais:

1. Criador de Ambiente (Environment Maker):

   • Utiliza uma metáfora de jogos de RPG de mesa (TRPG) com base em grade (grid).
   • Permite a definição de texturas (chão, paredes, móveis, itens) e áreas funcionais.
   • Os criadores podem atribuir atributos funcionais aos objetos (ex: uma cadeira adiciona o estado "confortável"; uma ferramenta de reparo remove o estado "danificado").

2. Ambiente (Environment):

   • Gerencia a distribuição demográfica, objetivos de longo prazo e itens iniciais dos agentes.
   • Opera em rodadas (aproximadamente 15 segundos no mundo real), inspiradas em sistemas de RPG como Dungeons & Dragons.
   • Calcula informações perceptivas (visão, obstáculos, ações de outros agentes) e as converte em descrições textuais estruturadas para os agentes.
   • Suporta Intervenção Humana: Pesquisadores podem assumir o controle de agentes ou executar ações "livres" para intervir no sistema sem as restrições de rodadas.

3. Agente (Agent):

   • Atributos Internos:
     • Afetivos: Baseados no modelo VAD (Valência, Arousal, Dominância). O sistema mapeia cognições situacionais para vetores emocionais quantitativos e os discretiza em descritores linguísticos (ex: "furioso", "calmo") para guiar o raciocínio do LLM.
     • Cognitivos: Incluem variáveis demográficas, autoconsciência de longo prazo e cognição situacional de curto prazo.
     • Memória: Dividida em memória de trabalho (ações recentes), memória de longo prazo (vetores semânticos de eventos passados) e memória de objetos.
   • Espaço de Ação: O agente decide entre 7 tipos de ações (mover-se, usar objetos, aplicar itens, pegar, colocar, dar, conversar). As ações são processadas com detecção de conflitos (ex: dois agentes tentando pegar o mesmo item).

4. Eventos (Event):

   • Eventos de emergência pré-configurados (agendados ou acionados por condições) que alteram estados do ambiente ou objetivos dos agentes, permitindo a simulação de crises e intervenções políticas.

3. Contribuições Principais

• Integração HCI-Simulação: O CMASE permite a interação humano-computador em tempo real, onde o pesquisador se torna um agente embutido, capaz de observar e modificar o fluxo da simulação dinamicamente.
• Etnografia Computacional: Transforma a simulação em um campo etnográfico virtual, permitindo que pesquisadores realizem entrevistas, observações de campo e intervenções controladas dentro do próprio modelo.
• Explicabilidade Causal: Vai além da correlação estatística, fornecendo uma base explicativa causal ao rastrear como intervenções específicas alteram a lógica generativa dos fenômenos sociais.
• Arquitetura Emocional e Cognitiva: Implementa um modelo de emoção baseado em VAD acoplado a LLMs, permitindo que agentes reajam emocionalmente a estímulos ambientais de forma consistente com sua personalidade.

4. Resultados Experimentais

Os autores validaram o CMASE replicando um estudo de campo real sobre a relação entre vegetação urbana e fragmentação social (baseado em Lee & Han, 2024).

• Configuração: Simulação de uma comunidade isolada (durante a pandemia) com 10 agentes e diferentes níveis de cobertura vegetal.
• Validação Quantitativa:
  • A simulação reproduziu com sucesso a correlação negativa entre vegetação e fragmentação social (desconfiança, exploração e indiferença).
  • À medida que a vegetação aumentava, as pontuações de desconfiança, exploração e indiferença diminuíram estatisticamente, alinhando-se com os dados humanos reais.
  • Testes t pareados confirmaram significância estatística para desconfiança e exploração.
• Validação Qualitativa (Etnografia):
  • Os pesquisadores entraram na simulação como agentes. As entrevistas revelaram mecanismos diferenciados: profissionais criativos tendiam a buscar ambientes de baixa estimulação, enquanto outros buscavam interação social em áreas verdes.
  • O sistema demonstrou capacidade de simular "experiências corporificadas" (embodied experiences), onde os agentes escolhiam locais baseados em preferências subjetivas não programadas explicitamente.
• Análise de Desempenho e Custo:
  • Latência: O tempo de processamento cresce linearmente com o número de agentes. Para até 100 agentes, a latência permanece abaixo de 50 segundos (o limite de tolerância humana para interação em tempo real). Acima de 100 agentes, a latência torna-se um gargalo para intervenções humanas.
  • Custo: O custo estimado é de ~$0,10 por ação de agente por passo de tempo, tornando-o significativamente mais econômico que abordagens anteriores (como a de Park et al.) para simulações de escala similar.

5. Significado e Impacto

O CMASE representa um avanço metodológico crucial nas ciências sociais computacionais. Ao preencher a lacuna entre a modelagem descritiva e a intervenção ativa, ele permite:

1. Políticas Públicas: Testar o impacto de intervenções sociais e políticas em tempo real antes da implementação no mundo real.
2. Interdisciplinaridade: Unir a precisão dos experimentos computacionais com a profundidade interpretativa da etnografia.
3. Futuro da Pesquisa: Estabelece um novo paradigma onde a simulação não é apenas um laboratório estático, mas um espaço dinâmico de co-criação entre humanos e IA, capaz de prever consequências de decisões sociais com base em mecanismos causais explicáveis.

O código-fonte do projeto está disponível publicamente, promovendo reprodutibilidade e adoção pela comunidade científica.