Modeling Epistemic Uncertainty in Social Perception via Rashomon Set Agents

我们提出了一个由 LLM 驱动的多智能体概率建模框架，演示了在受限于观察到的社交网络和有限问卷数据的情况下，学生之间主观社交感知如何在真实课堂环境中产生和演变。当社交信息不完整且感知准确性在学生之间不同时，他们可以从可访问的局部线索形成不同的群体结构观点。重复的同伴沟通和信念更新可逐渐改变这些观点，最终导致稳定的群体层面差异。为避免假设全局的“全能视角”，我们为每个学生分配一个个性化的主观图，显示其可感知的社交联系以及从其视角可达信息的范围。所有判断和交互都受到该主观图的限制：智能体使用检索增强生成 (RAG) 仅访问局部信息，然后形成对同伴专业能力和社会地位的评估。我们还添加了与社交焦虑相关的结构性扰动，以表示感知准确性在个体间的一致性差异。在同伴交流期间，智能体分享对同学学业表现和社会地位的叙事性评估，并附带不确定性标签，通过 LLM 基于信任分数进行概率更新。使用六次真实考试分数的时间序列作为外生参考，我们运行多步仿真来检验信念通过局部交互如何传播。实验表明，在不依赖全局信息的情况下，该框架再现了与真实教育环境一致的多个集体动力学。代码已发布于 https://anonymous.4open.science/r/Rashomonomon-0126。