arXiv cs.AI· Patrick Taillandier, Jean Daniel Zucker, Arnaud Grignard, Benoit Gaudou, Nghi Quang Huynh, Haojia Kong, Alexis Drogoul·· 6 天前AI 评分24
从流畅性谬误到微观-宏观效度鸿沟：LLM 在社会仿真中的机遇与陷阱
From the Fluency Fallacy to the Micro-to-Macro Validity Gap: Opportunities and Pitfalls of LLMs in Social Simulation
AI 导读
一篇批判性综述指出，LLM 作为社会仿真中智能体的认知或决策组件时，其幻觉、随机不一致、表征偏见与对齐效应等微观局限会传播、放大或收缩为智能体层面的失真（如人格趋同）和宏观风险（如人工共识与行为同质化）。
正文 · AI 翻译
摘要：将大型语言模型（LLM）整合到社会模拟中引发了热情，但也带来了方法论和认识论上的挑战。这篇批判性综述从计算社会科学的视角，考察了 LLM 作为被模拟智能体的认知或决策组件的作用。我们认为，当扩展到多智能体社会时，其行为和认识论上的局限性可能演变为系统性脆弱性。我们梳理了 LLM 驱动平台不断演变的格局，从叙事沙盒到人口规模模拟，并构建了一个分析微观到宏观效度差距的框架：微观层面局限性——包括幻觉、随机不一致性、表征偏差和对齐效应——向智能体层面扭曲（如人格趋同）和宏观层面风险（如人工共识和行为同质化）的传播、放大或收缩。我们还强调了评估性脆弱性，如流畅性谬误和自动化偏差。我们识别了基于 LLM 的智能体具有操作价值的场景，包括严肃游戏、参与式环境和探索性建模，并将这些用途与使用无约束模型和精确社会预测的验证性研究区分开来。最后，我们考察了将 LLM 嵌入显式、机制性和可复现的基于智能体建模（ABM）框架的理论驱动混合架构。尽管前景广阔，这些架构并不能保证认识论控制：效度需要对环境动态、个体行为、跨层交互和总体结果进行多层次评估。它们也仍然容易受到物理洗白的影响。
| 学科： | 人工智能（cs.AI）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2507.19364 [cs.AI] |
| （或 arXiv:2507.19364v4 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2507.19364 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Patrick Taillandier [查看电子邮件]
[v1]
2025年7月25日星期五 15:15:35 UTC（33 KB）
[v2]
2026年2月27日星期五 17:03:14 UTC（54 KB）
[v3]
2026年9月7日星期一 12:14:34 UTC（1,558 KB）
[v4]
2026年10月9日星期五 10:22:50 UTC（65 KB）
来源：arXiv cs.AI · arxiv.org