[論文レビュー] Computational Experiments Meet Large Language Model Based Agents: A Survey and Perspective

Qun Ma, Xue Xiao+10 more|arXiv (Cornell University)|Feb 1, 2024

Natural Language Processing Techniques被引用数 8

ひとこと要約

この論文は、Large Language Model (LLM) ベースのエージェントを計算実験とエージェントベースモデルへ統合することを調査し、利点と課題を論じ、今後の方向性を概説する。

ABSTRACT

Computational experiments have emerged as a valuable method for studying complex systems, involving the algorithmization of counterfactuals. However, accurately representing real social systems in Agent-based Modeling (ABM) is challenging due to the diverse and intricate characteristics of humans, including bounded rationality and heterogeneity. To address this limitation, the integration of Large Language Models (LLMs) has been proposed, enabling agents to possess anthropomorphic abilities such as complex reasoning and autonomous learning. These agents, known as LLM-based Agent, offer the potential to enhance the anthropomorphism lacking in ABM. Nonetheless, the absence of explicit explainability in LLMs significantly hinders their application in the social sciences. Conversely, computational experiments excel in providing causal analysis of individual behaviors and complex phenomena. Thus, combining computational experiments with LLM-based Agent holds substantial research potential. This paper aims to present a comprehensive exploration of this fusion. Primarily, it outlines the historical development of agent structures and their evolution into artificial societies, emphasizing their importance in computational experiments. Then it elucidates the advantages that computational experiments and LLM-based Agents offer each other, considering the perspectives of LLM-based Agent for computational experiments and vice versa. Finally, this paper addresses the challenges and future trends in this research domain, offering guidance for subsequent related studies.

研究の動機と目的

• 計算実験とABMが人工社会へと進化した過程を説明する。
• LLMベースのエージェントの人間寄りの能力と、それがABMを強化する可能性を強調する。
• 計算実験とLLMベースのエージェントの相互利益と相補性を分析する。
• 特に説明可能性に関する課題を特定し、今後の研究方向を提案する。

提案手法

• エージェント構造の歴史的発展と、それらが人工社会へと進展する過程をレビューする。
• 計算実験とLLMベースのエージェントの利点を、実験用のエージェントとエージェント用の実験の二つの視点から統合する。
• 社会科学応用における説明可能性や信頼性といった課題を議論する。
• この学際領域に入る研究者への指針と今後の研究動向を提供する。

実験結果

リサーチクエスチョン

• RQ1 計算実験におけるエージェント構造と人工社会の歴史的傾向は何か？
• RQ2 LLMベースのエージェントを計算実験/ABMと統合することの相互利益と制約は何か？
• RQ3 説明可能性に関する課題を特に含め、LLMベースのエージェントを社会科学研究に適用する際にどのような課題が生じるか？
• RQ4 この分野の統合における今後の方向性と推奨事項は、後続の研究を最も効果的に導くものは何か？

主な発見

• LLMベースのエージェントは、ABMに人間らしい推論と自主的学習を付加できる。
• 計算実験は因果分析能力を提供し、LLMベースのエージェントを補完することができる。
• 統合の機会は、複雑な社会現象を研究するために各領域の強みを活用することができる。
• 説明可能性は、社会科学分野での広範な導入を妨げる中心的な障壁のままである。