.png){kind=icon}
返回
Static network structure cannot stabilize cooperation among large language model agents
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pone.0320094.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型语言模型（LLMs）越来越多地被用于模拟人类社会行为，近期研究探索了它们模拟社会动态的能力。在此，我们检验LLMs是否在社会困境中反映人类行为，其中个体利益与集体利益冲突。人类在实验室环境中通常表现出比预期更多的合作，在充分混合的群体中合作较少，但在固定网络中合作更多。相比之下，LLMs倾向于在充分混合的环境中表现出更高的合作性。这引发了一个关键问题：LLMs是否即将在网络上的合作困境中模仿人类行为？本研究考察了网络化互动，其中代理在充分混合和结构化网络配置中反复进行囚徒困境，旨在识别LLMs与人类在合作行为上的相似之处。我们的发现表明存在关键差异：虽然人类在结构化网络中倾向于更多地合作，但LLMs主要在充分混合的环境中表现出更高的合作性，对网络化环境的调整有限。值得注意的是，LLMs的合作性也因模型类型而异，说明了在人工代理中复制类人社会适应性的复杂性。这些结果表明一个关键差距：LLMs难以模仿人类在固定网络中部署的细致入微、适应性强的社会策略。与人类参与者不同，LLMs不会根据网络结构或演变的社会环境调整其合作行为，缺乏人类适应性采用互惠规范。这一局限性表明未来LLMs设计中的一项根本需求——整合对社会规范的更深刻理解，以实现更真实地模拟类人合作和网络环境中的适应性。
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
暂无机构信息
引用论文
Strategic Behavior of Large Language Models: Game Structure vs. Contextual Framing大型语言模型的战略行为：博弈结构 vs. 情境框架OAAI
OAAI分享收藏ChatGPT broke the Turing test — the race is on for new ways to assess AIChatGPT打破了图灵测试-竞赛正在寻找评估AI的新方法.png)
Nature
NatureIF0
PREAI
分享收藏Leveraging AI for democratic discourse: Chat interventions can improve online political conversations at scale利用人工智能进行民主话语: 聊天干预可以大规模改善在线政治对话
OAAI
OAAI分享收藏分享收藏
查看更多内容