[論文レビュー] Do LLM-Driven Agents Exhibit Engagement Mechanisms? Controlled Tests of Information Load, Descriptive Norms, and Popularity Cues

Tai-Quan Peng, Yuan Tian+3 more|arXiv (Cornell University)|Mar 21, 2026

Language and cultural evolution被引用数 0

ひとこと要約

この研究は、情報負荷、記述的規範、および内生的人気手掛かりが、単なるもっともらしい行動ではなく、理論的に根拠のあるエンゲージメントパターンを生み出すかを検証するために、LLM駆動のWeibo様似のシミュレーションを用いています。負荷に敏感なエンゲージメントと、規範的文脈によって変化するバンドワゴン効果を見出します。

ABSTRACT

Large language models make agent-based simulation more behaviorally expressive, but they also sharpen a basic methodological tension: fluent, human-like output is not, by itself, evidence for theory. We evaluate what an LLM-driven simulation can credibly support using information engagement on social media as a test case. In a Weibo-like environment, we manipulate information load and descriptive norms, while allowing popularity cues (cumulative likes and Sina Weibo-style cumulative reshares) to evolve endogenously. We then ask whether simulated behavior changes in theoretically interpretable ways under these controlled variations, rather than merely producing plausible-looking traces. Engagement responds systematically to information load and descriptive norms, and sensitivity to popularity cues varies across contexts, indicating conditionality rather than rigid prompt compliance. We discuss methodological implications for simulation-based communication research, including multi-condition stress tests, explicit no-norm baselines because default prompts are not blank controls, and design choices that preserve endogenous feedback loops when studying bandwagon dynamics.

研究の動機と目的

• ソーシャルメディア文脈におけるエンゲージメント機構を検証するために、LLM駆動のシミュレーションの活用を動機づける。
• 情報負荷、記述的規範、および人気手掛かりが、単なるもっともらしい痕跡ではなく理論的に解釈可能なエンゲージメントパターンを生み出すかを検証する。
• 参加閾値とエンゲージメント配分を分離し、機序固有の効果を特定する。
• 内生的な人気シグナル（バンドワゴン手掛かり）が実験操作と文脈間でどのように相互作用するかを評価する。

提案手法

• Sina Weibo風環境を模したLLM搭載のエージェントベースシミュレーションを、558エージェントと種投稿で開発する。
• ネットワーク内容を一定に保ちつつ、アクティベーションごとに表示される投稿数を変動させて情報負荷を操作する。
• エンゲージメント形式の普及度を示すプロンプト（いいね vs リポスト）を用いて記述的規範を操作する。ノー・ノームのベースラインも含む。
• 人気手掛かり（累積のいいねとリシェア）が内生的に進化し、意思決定に影響を及ぼすようにする。
• エンゲージメントを二段階の結果として扱う：参加閾値（エンゲージするか読むか）とエンゲージメント配分（いいね、リポスト、引用）。
• 二段階回帰を用いて分析する：エンゲージメント対読取の二項ロジスティック、形式選択の多項ロジスティック。

Figure 1: Observed distribution of engagement behaviors across normative regimes and information load levels.

実験結果

リサーチクエスチョン

• RQ1 RQ1: LLM駆動エージェントは容量ベースの期待と整合する負荷敏感なエンゲージメント確率の変化を示すか。
• RQ2 RQ2: 人気手掛かりはエンゲージメントの可能性を高め、バンドワゴン効果に整合する反応確率を増幅するか。
• RQ3 RQ3: 記述的規範は規範的プロンプトによって示されるエンゲージメント配分を再編成するか。
• RQ4 RQ4: 情報負荷、記述的規範、および人気手掛かりは、エンゲージメント閾値と配分をどのように共同で形作るか。

主な発見

• エンゲージメントの可能性は人気手掛かりと強く関連し、基準条件で情報負荷が高いほど負の勾配を示す。
• 記述的規範プロンプトはエンゲージメント配分を変え、規範系ごとにエンゲージメント形式の階層を異なる形で生み出す。
• 人気手掛かり・情報負荷・リポート dominant norms の三者間の有意な三者間相互作用は、条件付きのバンドワゴン効果を示し、情報負荷が高い場合でも人気手掛かりがエンゲージメントを高めることがある。
• ノー・ノームといいね優先系は負荷に敏感なパターンを共有する一方、リポスト優先規範は高負荷下で人気手掛かりに対するより強い反応性を示す。
• エンゲージメント配分には明確なパターンがあり、いいね優先規範は「いいね」を好み、リポスト優先規範はリポストを好み、これらは負荷および人気手掛かりと相互作用する。

Figure 2: Predicted probability of engagement (vs. read-only) adjusted by information load, popularity cues, and normative regimes.