🌀 nonlinear sciences

Learning dynamics from online-offline systems of LLM agents

本文通过构建随机智能体网络模型及其平均场微分方程近似，将大语言模型在社交网络上的信息传播动力学简化为具有两种传播速率的易感 - 感染（SI）模型，从而揭示了离线事件与智能体个性对在线信息扩散的整体影响。

原作者： Moyi Tian, George Mohler, P. Jeffrey Brantingham, Nancy Rodríguez

发布于 2026-03-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Moyi Tian, George Mohler, P. Jeffrey Brantingham, Nancy Rodríguez

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在观察一场由"AI 机器人”组成的社交网络派对，看看它们是如何互相传递消息的，以及它们的“性格”如何影响消息的传播速度。

想象一下，你有一个巨大的房间，里面坐着 128 个机器人（LLM 智能体）。每个机器人都有自己独一无二的性格（比如有的很外向，有的很谨慎，有的很敏感）。

1. 故事背景：消息是如何开始的？

研究人员往这个房间里扔了一张“传单”（新闻事件）。

传单有两种类型：一种是温和的（比如“和平游行”），另一种是激烈的（比如“暴力冲突”）。
初始状态：只有第一个机器人拿到了传单。
传播规则：拿到传单的机器人会问自己：“我要不要把这个消息告诉我的邻居？”
- 这个决定取决于两个因素：传单的内容（是和平还是暴力？）和机器人的性格。
- 如果它决定分享，它的邻居就会收到消息，然后邻居再根据自己的性格决定要不要继续传给下一个人。
- 这就形成了一个像病毒传播一样的链条。

2. 核心发现：性格决定命运

研究人员发现，虽然每个机器人都有 32 种不同的性格组合（就像 32 种不同的“人设”），但它们的传播行为其实可以简化为两大类：

“热情传播者”组（Group 2）：
- 性格特征：通常比较外向（喜欢社交）和开放（喜欢新鲜事物）。
- 行为：它们拿到消息后，几乎立刻就会大声告诉所有人。就像派对上那个拿着大喇叭到处喊的人。
- 结果：它们让消息在刚开始时迅速爆发。
“谨慎观望者”组（Group 1）：
- 性格特征：通常比较内向、保守或神经质（容易焦虑）。
- 行为：它们拿到消息后会犹豫很久，甚至直接拒绝分享。就像派对角落里那个抱着手臂、不想说话的人。
- 结果：它们传播得很慢，甚至根本不传。

还有一个有趣的发现：

和平的消息（如游行）比暴力的消息（如枪战）更容易被传播。即使是那些“谨慎”的机器人，也更容易分享和平的消息；而面对暴力消息，大家都会更警惕，传播速度变慢。

3. 数学模型：给混乱找规律

研究人员用了两种数学工具来描述这个过程：

复杂的“逐个计算”模型：
- 这就像试图记住房间里每一个机器人的具体想法和性格，然后计算每个人会不会说话。这很准确，但太复杂了，就像试图用显微镜看整个森林。
简单的“平均场”模型（SI 模型）：
- 这是论文最精彩的部分。研究人员发现，不需要管每个机器人具体是谁，只需要把大家分成**“容易传播的”和“难传播的”**两群人，然后用一个简单的公式（就像传染病模型）就能非常精准地预测整个房间的消息传播曲线。
- 比喻：这就像预测一场流感。你不需要知道张三李四的具体体温，只需要知道“易感人群”和“传播速度”，就能画出疫情爆发的曲线。

4. 为什么这很重要？

现实世界的映射：现在的社交媒体上，不仅有真人，还有大量的AI 机器人（Bot）。如果这些机器人被赋予了不同的性格，它们可能会像论文里那样，迅速放大某些新闻，或者压制另一些新闻。
预测未来：这项研究告诉我们，即使 AI 的行为看起来很复杂、很随机，但只要我们理解了它们的“性格”和“消息类型”，就可以用简单的数学模型来预测信息是如何在网络上扩散的。
未来的方向：这就像是一个“沙盒游戏”，我们可以先在虚拟的 AI 网络里测试各种情况，看看如果人类和 AI 混在一起，社会舆论会怎么变化，从而帮助我们更好地管理现实世界中的信息传播。

总结

这就好比你在观察一群性格各异的机器人玩“传话游戏”。研究发现，性格外向的机器人是“扩音器”，性格内向的是“过滤器”。虽然每个机器人都有自己的小算盘，但整体来看，只要把大家分成“爱传话”和“不爱传话”两类，就能用简单的数学公式精准预测整个网络的热闹程度。这对于理解未来 AI 如何影响我们的新闻和舆论至关重要。

这是一份关于论文《Learning dynamics from online-offline systems of LLM agents》（从 LLM 代理的在线 - 离线系统中学习动态）的详细技术总结。

1. 研究背景与问题 (Problem)

随着自动化账户和基于大语言模型（LLM）的代理（Agents）在社交媒体上的普及，在线信息传播与线下社会不稳定性之间的关联日益紧密。现有的研究多集中于人类行为或简单的机器人活动，但缺乏从数学建模角度深入理解 LLM 代理网络中信息传播动态的研究。

本研究旨在解决以下核心问题：

不同类型的离线事件（如和平抗议与暴力冲突）如何影响 LLM 代理网络中的信息传播？
分配给 LLM 的“人格”（Personality）特征如何调节信息在网络中的扩散动力学？
能否用简化的数学模型（如微分方程）来准确描述复杂的 LLM 代理网络传播行为？

2. 方法论 (Methodology)

研究团队设计了一套结合LLM 仿真与数学建模的框架，主要包含以下步骤：

2.1 数据与仿真设置

事件数据：从 ACLED（武装冲突地点与事件数据库）中选取 2021-2024 年菲律宾发生的事件。通过文本嵌入（Embedding）和主成分分析（PCA），将事件聚类为两类：严重暴力事件（Cluster 1）和和平抗议事件（Cluster 2）。
代理人格：基于“大五人格”（Big Five）模型（开放性、尽责性、外向性、宜人性、神经质），每个维度设为二元变量（高/低），共生成 $2^5 = 32$ 种人格特质组合。
网络结构：构建 $N=128$ 个节点的 $k$ -正则随机网络（ $k=5$ ）。
LLM 设置：使用 OpenAI 的 gpt-3.5-turbo-1106。通过 System Prompt 定义人格，Content Prompt 提供新闻并询问是否分享，Decision-Making Prompt 要求解释决策。温度参数（Temperature）设为 0.7-1.3 以模拟人类行为的随机性。
传播过程：
1. 随机选择一个种子节点接收新闻事件。
2. 若种子节点决定分享，则标记为“已参与（Engaged）”。
3. 在后续迭代中，未参与的节点若拥有已参与的邻居，则根据其人格和新闻内容决定是否分享。
4. 一旦节点变为“已参与”，状态不可逆。
5. 模拟运行 $T=15$ 个时间步，重复多次以获取统计规律。

2.2 数学模型

研究提出了两种模型来拟合仿真数据：

基于智能体的随机网络模型 (Agent-based Stochastic Network Model)：
- 采用**逻辑回归（Logistic Regression）**模型。
- 将节点分享新闻的概率 $P(y=1)$ 建模为事件严重性（ $s$ ）和人格特质向量（ $t$ ）的函数。
- 包含两种变体：全参数模型（32 种人格各有一个系数）和粗粒度分组模型（将人格分为两组）。
- 参数通过最大似然估计（MLE）推断。
平均场微分方程模型 (Mean-field Differential Equation Model)：
- 基于流行病学中的 SI (Susceptible-Infected) 模型进行改进。
- 将代理分为两组（基于人格行为聚类）： $U_1$ （低传播组）和 $U_2$ （高传播组）， $E$ 为已参与群体。
- 建立微分方程组描述各群体随时间的变化率：
  $\frac{dU_i}{dt} = -k \tau_i U_i E, \quad \frac{dE}{dt} = \sum k \tau_i U_i E$
  其中 $\tau_i$ 是第 $i$ 组的边级传播率， $k$ 为节点度。
- 参数通过最小化模型曲线与仿真数据曲线之间的均方误差（MSE）进行拟合。

3. 关键贡献 (Key Contributions)

首次从数学建模角度量化 LLM 代理网络的信息传播：将 LLM 的人格特征和新闻内容特征纳入动力学模型，填补了该领域的空白。
揭示了人格对传播动力学的决定性作用：证明了尽管 LLM 行为复杂，但整体传播模式可以通过少数几个关键参数（如传播率）和人格分组来有效描述。
验证了平均场模型的有效性：发现仅需两个参数（两组传播率）的微分方程模型，其拟合效果（RMSE）优于包含 33 个参数的复杂逻辑回归模型，表明 LLM 网络传播具有低维动力学特征。
提供了可解释的机制：通过模型系数分析，明确了哪些人格特质（如开放性、外向性）是驱动信息传播的关键因素。

4. 主要结果 (Results)

4.1 人格与事件的影响

事件类型：LLM 代理更倾向于分享和平事件，而非严重暴力事件。
人格特质：
- 开放性 (Openness) 和 外向性 (Extraversion) 是决定传播概率的最强因素。
- 当“开放性”从低变高时，传播概率出现显著的非线性跃升。
- 通过统计检验（Tukey HSD），32 种人格被显著分为两组：
  - 组 1 (低传播组)：平均分享率约 5.3%，包含低开放性、低宜人性等特征。
  - 组 2 (高传播组)：平均分享率约 81.5%，包含高开放性、高外向性等特征。

4.2 模型拟合性能

逻辑回归模型：
- 全参数模型（32 人格系数）的均方根误差 (RMSE) 为 0.0414。
- 对和平事件的拟合优于暴力事件。
平均场模型 (SI 模型)：
- 仅使用两个参数（ $\tau_1, \tau_2$ ）的模型，RMSE 降至 0.0223，表现优于逻辑回归模型。
- 该模型能更准确地捕捉初始阶段的指数增长和后期的饱和趋势。
- 对于和平事件，模型预测与观测数据几乎完全吻合（RMSE = 0.0098）。

4.3 动力学特征

传播曲线：整体呈现 S 形（Sigmoidal）曲线。
增长机制：初始的快速传播主要由**组 2（高传播人格）**驱动；随着时间推移，**组 1（低传播人格）**缓慢加入，导致曲线后期增长变缓并趋于平稳（约 0.8-0.9 的参与度）。
稳定性：理论分析表明，系统最终会达到完全参与状态（稳定平衡点），但在有限时间内，由于组 1 的低传播率，系统往往停留在部分参与状态。

5. 意义与展望 (Significance)

理论意义：证明了即使是具有复杂“人格”和随机性的 LLM 代理网络，其宏观传播行为也可以用低维的确定性微分方程（平均场模型）来近似。这为理解人机混合网络中的信息级联提供了新的数学工具。
实际应用：
- 预测与干预：模型可用于预测虚假信息或特定新闻在 LLM 网络中的爆发规模，并识别关键的“超级传播者”人格特征。
- 人机交互研究：为未来研究人类与 LLM 在混合网络中的互动提供了可控的测试平台（Testbed）。
未来方向：
- 将模型扩展至包含真实人类用户的混合网络。
- 利用人类社交媒体数据训练 LLM，使其行为更逼真，进而模拟更复杂的社会动荡场景。
- 探索不同 LLM 架构（如 GPT-4 等）对传播动力学的影响。

总结：该研究通过结合 LLM 仿真与数学建模，成功地将复杂的代理行为简化为可解释的动力学模型，揭示了人格特质在信息传播中的核心作用，并证明了简单的 SI 型微分方程模型在预测 LLM 网络行为方面的高效性和准确性。