CHORUS: 현실적인 온라인 토론 데이터 생성을 위한 에이전트 프레임워크
요약
온라인 담론의 복잡한 역학 관계를 이해하려면 대규모 토론 데이터가 필수적이지만, 접근성 제한 및 윤리 문제로 인해 이러한 데이터는 부족합니다. 본 논문은 LLM 기반 액터와 행동 일관성이 유지되는 페르소나를 활용하여 현실적인 토론을 생성하는 에이전트 프레임워크인 CHORUS를 제안합니다. 각 액터는 메모리를 갖춘 자율 에이전트에 의해 관리되며, 참여 타이밍은 실제 사용자의 다양한 참여 패턴을 모사한 포아송 과정(Poisson process) 기반 시간 모델로 제어됩니다. 또한 외부 리소스 접근을 위한 구조화된 도구 사용 기능을 지원
핵심 포인트
- CHORUS는 LLM 액터와 페르소나를 활용하여 현실적인 온라인 토론 데이터를 생성하는 에이전트 프레임워크입니다.
- 각 가상 참여자는 메모리를 갖춘 자율 에이전트에 의해 관리되어 지속적인 논의 맥락을 유지합니다.
- 참여 타이밍은 포아송 과정 기반 모델을 사용하여 실제 사용자의 비균질적 상호작용 패턴을 모사합니다.
- 구조화된 도구 사용 기능을 통해 외부 정보를 통합하고 웹 플랫폼 연동성을 높였습니다.
온라인 담론의 복잡한 역학 관계를 분석하려면 대규모 토론 데이터가 필수적입니다. 하지만 접근성 제한, 윤리 문제, 낮은 데이터 품질 등으로 인해 이러한 자료는 매우 부족합니다.
이에 본 논문은 CHORUS라는 에이전트 프레임워크를 제안했습니다. CHORUS는 행동 일관성이 유지되는 페르소나를 가진 LLM 기반 액터들을 오케스트레이션하여 현실적인 토론 과정을 생성합니다.
각 가상 참여자(actor)는 변화하는 논의 내용을 기억하는 자율 에이전트(autonomous agent)에 의해 관리됩니다. 또한, 참여 시점은 실제 사용자의 다양한 상호작용 패턴을 근사한 포아송 과정(Poisson process) 기반 시간 모델로 제어됩니다.
더 나아가, 이 프레임워크는 구조화된 도구 사용 기능을 지원하여 액터들이 외부 리소스를 활용할 수 있게 했으며, 실제 웹 플랫폼과의 통합도 용이하게 했습니다.
실제 $ ext{Deliberate}$ 플랫폼에 배포되어 30명의 전문가를 대상으로 콘텐츠 현실성, 토론 일관성, 분석적 유용성 세 가지 측면에서 평가받았으며, 고품질의 온라인 담론 분석에 적합한 실용적인 도구임을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기