Resumo Técnico: Atribuição de Emergência em Sistemas de Milhões de Agentes

Declaração do Problema

Sistemas multiagente (MAS) alimentados por modelos de linguagem de grande escala (LLM) são cada vez mais utilizados para simular fenômenos sociais em escala populacional, como polarização, cascatas de informação e pânico de mercado. Um desafio científico crítico nessas simulações é a atribuição de emergência: determinar quais agentes individuais impulsionaram um fenômeno de nível macro e quando ele se alterou.

Os métodos de atribuição existentes, baseados principalmente em valores de Shapley axiomáticos, enfrentam uma barreira fundamental de escalabilidade. Eles exigem a avaliação do sistema sobre muitos subconjuntos de agentes, resultando em custos computacionais que crescem combinatoriamente com o número de agentes ($N$). Consequentemente, trabalhos anteriores foram confinados a sistemas de pequena escala ($N \lesssim 10^3$). No entanto, os fenômenos sociais que esses sistemas visam explicar (por exemplo, cascatas online, dinâmicas eleitorais) ocorrem em escalas de $N \ge 10^6$. Permanece uma questão em aberto se conclusões no nível do agente, extraídas de simulações de pequena escala, sobrevivem em escalas realistas de milhões de agentes. Além disso, não está claro se as diferenças estruturais observadas entre escalas pequenas e grandes podem ser corrigidas via redimensionamento post-hoc.

Metodologia

Os autores propõem um framework baseado na atribuição por integral de caminho Aumann–Shapley, adaptada para MAS alimentados por LLM.

1. Framework Teórico

O método satisfaz os quatro axiomas de Aumann–Shapley (eficiência, simetria, dummy e linearidade) para jogos não atômicos. Em vez da avaliação combinatória de subconjuntos exigida pelos valores de Shapley padrão, os autores definem a atribuição do agente $i$ como o efeito marginal integrado do indicador macro $f$ à medida que o vetor de características do agente $z_i$ se funde de uma linha de base $z_0$ até seu valor observado ao longo de um caminho reto:
$$\phi_i = \sum_{d=1}^D (z_{i,d} - z_{0,d}) \int_0^1 \frac{\partial f}{\partial z_{i,d}} \left( z_0 + \tau(z - z_0) \right) d\tau$$
Para indicadores macro analíticos específicos (linear, saturação multiplicativa, variância e Gini), os autores derivam expressões de forma fechada que reduzem a integração a cálculos explícitos por agente, eliminando a necessidade de integração numérica ou amostragem.

2. Teorema de Viés de Escalonamento de Atribuição

Uma contribuição teórica central é o Teorema 1 (Viés de Escalonamento de Atribuição), que estabelece uma dicotomia estrutural:

• Caso Linear: Se o indicador macro for linear (decomponível aditivamente sobre os agentes), as atribuições de pequena escala e de escala total diferem apenas por um fator de redimensionamento global.
• Caso Não Linear: Se o indicador macro for não linear (envolvendo interações entre agentes), nenhum fator de redimensionamento global existe que possa reconciliar a atribuição de pequena escala com a atribuição de escala total. A discordância é estrutural, não meramente uma questão de magnitude.

3. Validação Empírica

Os autores conduziram um estudo controlado de cruzamento de escalas utilizando 14 dias de dados públicos do Bluesky ($N = 1.671.587$ usuários ativos).

• Escala Total: A atribuição foi computada em todo o painel.
• Escala Pequena: A atribuição foi computada em uma amostra de conveniência enviesada por visibilidade ($N=102$), imitando as restrições dos atuais estudos de MAS-LLM de pequena escala.
• Protocolos: O estudo comparou a amostragem enviesada por visibilidade contra uma amostragem aleatória uniforme para isolar o efeito da estratégia de amostragem.
• Funções de Valor: Quatro indicadores macro analíticos foram testados: aditivo linear, saturação multiplicativa (calor), variância populacional e diferença média absoluta de Gini.

Principais Resultados

1. Inversão Estrutural na Atribuição

O estudo revela uma "inversão" na estrutura de atribuição ao passar de amostras pequenas e enviesadas para a população total:

• Escala Total: A "cauda longa" (inferiores 90% dos usuários por contagem de seguidores) e o "nível médio" conjuntamente carregam a maioria da massa de atribuição. Por exemplo, sob a função de saturação multiplicativa ($f_{heat}$), a cauda longa carregou 76,4% da atribuição no painel total.
• Escala Pequena Enviesada: O mesmo método axiomático aplicado a uma amostra enviesada por visibilidade de 102 usuários concentra quase toda a massa de atribuição nas contas de nível superior (usuários com muitos seguidores). Nos mesmos dados, os 1% superiores carregaram 11,3% da atribuição (um aumento de 3x sobre a escala total), enquanto a cauda longa colapsou para 52,0%.
• Controle Aleatório: Uma amostra aleatória uniforme do mesmo tamanho ($N=102$) recuperou as frações populacionais, confirmando que a discrepância é específica das amostras de conveniência enviesadas usadas na prática, e não de tamanhos de amostra pequenos em geral.

2. Impossibilidade Teórica de Correção

Os resultados empíricos alinham-se com o Teorema 1. Para indicadores macro não lineares (variância, Gini, calor), o erro residual após o redimensionamento global ótimo foi alto ($\epsilon \approx 0,13$ a $0,97$), provando que nenhum escalar único pode mapear resultados de pequena escala para resultados de escala total. Mesmo para a linha de base linear, embora um fator de redimensionamento exista teoricamente, uma "inversão" significativa (aproximadamente 20 pontos percentuais) ainda ocorreu devido à estrutura de amostragem, embora fosse teoricamente corrigível.

3. Eficiência Computacional

O método proposto de Aumann–Shapley escala linearmente com $N$.

• Velocidade: Calcula a atribuição para $N=10^6$ agentes em menos de 10 milissegundos em um único nó de CPU.
• Comparação: Isso é 4 a 5 ordens de magnitude mais rápido que métodos de Shapley amostrados no mesmo hardware. Estende a escala viável de atribuição axiomática em mais de três ordens de magnitude (de $N \approx 10^3$ para $N \approx 10^6$).

Significado e Alegações

O artigo alega que a atribuição em escala total é um requisito teórico, e não meramente uma escolha metodológica, para qualquer estudo envolvendo indicadores macro não lineares em sistemas multiagente.

1. Validade de Estudos de Pequena Escala: Os autores argumentam que conclusões do tipo "o tipo de agente A impulsiona o fenômeno E", extraídas de painéis pequenos enviesados por visibilidade, são estruturalmente pouco confiáveis quando o indicador macro subjacente é não linear. A "inversão" significa que estudos de pequena escala podem fundamentalmente identificar erroneamente os impulsionadores de fenômenos emergentes.
2. Necessidade Metodológica: O artigo não alega que todo estudo deva ser executado em escala de milhões de agentes, mas sim que qualquer alegação sobre impulsionadores causais deve repousar ou em análise na escala realista do fenômeno ou em evidências de consistência entre escalas.
3. Limite Teórico: O teorema do Viés de Escalonamento de Atribuição fornece uma prova rigorosa de que o redimensionamento post-hoc não pode corrigir a discordância estrutural entre escalas pequenas e grandes para sistemas não lineares.

O trabalho preenche a lacuna entre a teoria dos jogos axiomática e a simulação social em grande escala, fornecendo a primeira evidência sistemica de que conclusões no nível do agente não são invariantes de escala na presença de interações não lineares e amostragem enviesada.