パーソナがエージェントの「分けるか盗むか」行動に与える影響

新しい研究では、パーソナプロンプトが大規模言語モデル（LLM）エージェントの古典的な社会的ジレンマゲーム「Split or Steal（分割か窃取か）」における戦略的行動にどのように影響するかを調査しました。この研究はカルロス・レオンらによって行われ、arXivに掲載されました。研究者らは、4つのオープンソースLLMモデル（Ministral 3:3b、phi4:14b、Gemma3:12b、Gemma4:e4b）を使用してエージェントを作成し、ビッグファイブ性格特性に基づくさまざまなパーソナプロンプトを付与しました。これらのエージェントは、GPT 4.1 miniを搭載した仮想人間（VH）と反復ゲームを行い、各セッションは15ラウンドで構成され、合計160セッションが実施されました。ゲームはヨーロッパポルトガル語で行われました。結果は、相互分割（両方が「Split」を選択）が全ラウンドの約74%で支配的であり、搾取（一方が「Steal」を選択）は11%未満であることを示しました。モデルの選択は行動に大きな影響を与えました。phi4とMinistral 3:3bはすべての温度設定で一貫して協力的でしたが、Gemma3:12bとGemma4:e4bはより多様な戦略と結果を示しました。ビッグファイブに基づく分析では、向社会性と原則的なパーソナを持つエージェントが最も協力的である一方、分析的なパーソナを持つエージェントは仮想人間を搾取する傾向が強いことが明らかになりました。トピック分析では、友情に関連する対話が「Split」の決定と相関し、お金や復讐に関連する内容が「Steal」の結果に多く見られることが示されました。感情ラベルは主に中立または幸福であり、追加の説明価値は限られていました。これらの発見は、反復信託ゲームにおけるパーソナプロンプトとモデル差の相互作用を特徴づけるものであり、将来的に人間参加者が具現化された仮想人間と対話するバーチャルリアリティ研究のベースラインとして機能します。また、この研究では温度パラメータが意思決定に与える影響も調査され、低温ではより一貫した決定が行われ、高温では戦略の多様性が増すことが示されました。これらの結果は、協調行動が必要なマルチエージェントシステムにおいて、より知的で制御可能なAIエージェントを設計する上で重要です。