MTOS：基于 LLM 的多主题意见模拟框架用于探索回声室动力学
人工智能
2025-10-15 v1
摘要
意见极化、信息隔离和认知偏差在社交媒体上的现象引发了广泛关注。在真实网络中，信息常常跨越多个相互关联的主题，给意见演化提出挑战，亟需一种模拟多主题相互作用的框架。现有基于大语言模型（LLM）的研究主要聚焦单一主题，限制了其捕捉跨主题、跨领域认知迁移的能力。传统数值模型则将复杂语言态度简化为离散值，缺乏可解释性、行为一致性，以及整合多主题的能力。为此，我们提出多主题意见模拟（MTOS），一个将多主题情境与 LLM 集成的社会模拟框架。MTOS 利用 LLM 及其短期和长期记忆，纳入多用户选择互动机制和动态主题选择策略，并采用信念衰减机制以实现跨主题的视角更新。我们对 MTOS 进行大量实验，变更主题数量、关联类型，并进行消融研究，以评估如群体极化和局部分散等特征。结果表明，多主题设置显著改变极化趋势：正相关主题放大回声室效应，负相关主题抑制回声室效应，与无关主题也通过资源竞争减轻回声室效应。与数值模型相比，基于 LLM 的智能体能够真实模拟动态意见变化，复现新闻文本的语言特征，捕捉复杂的人类推理，提升仿真的可解释性和系统稳定性。
引用
@article{arxiv.2510.12423,
title = {MTOS: A LLM-Driven Multi-topic Opinion Simulation Framework for Exploring Echo Chamber Dynamics},
author = {Dingyi Zuo and Hongjie Zhang and Jie Ou and Chaosheng Feng and Shuwan Liu},
journal= {arXiv preprint arXiv:2510.12423},
year = {2025}
}
备注
14 pages, 11figures