Resumo Técnico: Formação de Consenso de Opinião entre Modelos de Linguagem de Grande Escala em Rede

Formulação do Problema

Este trabalho investiga se modelos matemáticos clássicos de formação de opinião, especificamente o arcabouço de consenso de DeGroot, podem prever com precisão o comportamento de grupo de Modelos de Linguagem de Grande Escala (LLMs) atuando como agentes em uma rede. Embora o modelo de DeGroot seja bem estabelecido em processamento de sinais e teoria de controle para descrever como agentes alcançam o consenso através da média repetida das opiniões de seus vizinhos, sua validação empírica em ambientes sociais reais é frequentemente limitada pelo custo e complexidade da coleta de dados humanos. Os autores postulam que os LLMs oferecem um ambiente de teste controlável e de baixo custo para modelar essas dinâmicas. O problema central é duplo:

1. Determinar se agentes de LLM interagindo em grafos de comunicação exibem comportamento de consenso semelhante às redes sociais humanas.
2. Analisar se as mecânicas específicas do consenso de LLM (limitação de opiniões e taxas de convergência) alinham-se com as previsões teóricas de DeGroot, particularmente em relação à influência das condições iniciais, topologia da rede e vieses inerentes ao modelo.

Metodologia

Os autores construíram um ambiente de simulação multiagente usando o framework AutoGen, implementando o Gemini 2.0 Flash do Google como o LLM subjacente. A configuração experimental envolveu os seguintes componentes:

• Topologia de Rede: Uma rede de $K=20$ agentes foi simulada sobre grafos direcionados e ponderados. A principal topologia utilizada foi o grafo aleatório de Erdős–Rényi com parâmetros de conectividade ($p$) variáveis, juntamente com topologias totalmente conectadas e circulares (anel) para testar extremos de conectividade.
• Interação de Agentes: Os agentes trocaram mensagens baseadas em texto ao longo de múltiplas rodadas (80 rodadas por experimento). Os pesos de interação (níveis de confiança atribuídos aos vizinhos e pesos próprios) foram aplicados via prompts de sistema. Dois tipos de caracteres de agente foram definidos: "autoconfiante" (maior peso próprio) e "mente aberta" (menor peso próprio).
• Quantificação de Opinião: Para mapear respostas de texto para crenças numéricas, um LLM separado e independente (gpt-5-nano) realizou análise de sentimento em todas as respostas. As opiniões foram pontuadas em uma escala de $[-3, 3]$ (de "contra" a "a favor") e normalizadas para $[0, 1]$.
• Variáveis Experimentais: O estudo variou os tópicos de discussão (8 tópicos distintos incluindo Bitcoin, Eutanásia, Veganismo, etc.), distribuições de opinião inicial (a favor, neutro, contra) e conectividade do grafo.
• Conjunto de Dados: Os autores compilaram um conjunto de dados de 764 experimentos contendo mais de 1,2 milhão de respostas de LLM, cobrindo 8 tópicos e várias configurações de rede.

Principais Resultados

1. Emergência de Consenso e Decaimento do Desacordo

Os experimentos demonstraram que os agentes de LLM tipicamente alcançam um consenso. O desvio padrão (STD) das pontuações de sentimento dos agentes diminuiu exponencialmente ao longo das rodadas de interação, aproximando-se de um estado estacionário próximo de zero. Descobriu-se que essa taxa de decaimento está intimamente relacionada ao segundo maior autovalor de módulo ($|\lambda_2|$) da matriz de combinação do grafo, alinhando-se com as previsões da teoria de grafos espectrais para velocidade de convergência.

2. Divergência das Previsões de DeGroot

Apesar da emergência do consenso, a opinião limite (o valor de consenso final) desviou-se significativamente da previsão do modelo de DeGroot.

• Insensibilidade às Condições Iniciais: Contrariamente ao teorema de DeGroote, que afirma que o consenso final deve ser uma média ponderada pela centralidade de rede das opiniões iniciais, o consenso do LLM foi amplamente insensível às condições iniciais.
• Viés Dependente de Tópico: O ponto de consenso final dependeu fortemente do assunto da discussão e dos vieses inerentes dos LLMs (provavelmente decorrentes das fases de pré-treinamento e alinhamento). Por exemplo, no tópico Bitcoin, os LLMs exibiram um viés negativo independentemente das distribuições iniciais de "a favor" ou "contra", enquanto no Veganismo, emergiu um viés positivo.
• Precisão do Modelo: Ao comparar as opiniões finais dos LLMs com as previsões de DeGroot, o Erro Quadrático Médio (RMSE) foi de 0,32. A precisão de classificação baseada no modelo de DeGroot foi de aproximadamente 32% para classificação ternária e 60% para classificação binária, ambas comparáveis ou apenas marginalmente superiores ao acaso.

3. Impacto de Prompts de Sistema e Pesos

O estudo descobriu que o reforço explícito dos pesos da matriz de combinação via prompts de sistema aumentou significativamente a probabilidade de alcançar o consenso. Experimentos "ponderados" (onde os pesos próprios foram explicitamente definidos) resultaram em um STD de desacordo final de 0,083, enquanto experimentos "sem peso" (onde pesos específicos foram removidos dos prompts) resultaram em uma diversidade final significativamente maior de 0,165.

4. Taxa de Convergência e Teoria de Grafos

Embora o valor do consenso não tenha correspondido à teoria de DeGroot, a taxa de convergência sim. O "tempo de metade" do desacordo (o número de rodadas necessárias para reduzir a variância da opinião pela metade) foi empiricamente mostrado como sendo proporcional a $\frac{\ln 2}{-\ln |\lambda_2|}$. Isso confirma que a dinâmica transitória das redes de LLM segue resultados estabelecidos da teoria de grafos, mesmo que o equilíbrio de estado estacionário não o faça.

Significância e Alegações

O artigo afirma que, embora os LLMs possam servir como ambientes de teste eficazes e de baixo custo para simular dinâmicas de redes sociais, seu comportamento de consenso difere fundamentalmente dos modelos clássicos em termos de resultados de estado estacionário.

• Dominância do Viés: Os autores destacam que, em redes de LLM, os vieses inerentes ao modelo e a sensibilidade ao tópico sobrepõem-se à influência das condições iniciais e da centralidade de rede, que são centrais para o modelo de DeGroot.
• Dinâmica de Convergência: O estudo valida que a velocidade do consenso em redes de LLM é governada pelas propriedades espectrais do grafo de comunicação (especificamente $|\lambda_2|$), sugerindo que a teoria de grafos clássica permanece útil para projetar aplicações de múltiplos agentes de LLM que utilizam recursos de forma eficiente, onde o tempo do consenso é crítico.
• Eficiência de Recursos: Compreender essas taxas de convergência permite uma melhor estimativa das rodadas de interação necessárias para alcançar o consenso sob restrições de custo em sistemas multiagentes.

Os autores concluem que estas descobertas auxiliam no esclarecimento do potencial dos LLMs para pesquisa de simulação social e orientam o design de sistemas multiagentes, observando ainda que trabalhos futuros são necessários para explorar agentes estratégicos e outras arquiteturas de LLM.