ScioMind: 앵커링 기반 신념 역학 및 동적 프로필을 활용한 인지적 근거 기반 다중 에이전트 사회 시뮬레이션

대규모 언어 모델 (LLM) 기반의 다중 에이전트 시뮬레이션 (multi-agent simulation)은 사회적 의견 역학 (social opinion dynamics)을 연구하기 위한 강력한 테스트베드를 제공합니다. 그러나 현재의 접근 방식은 대개 두 가지 대조적인 방법을 채택합니다. 즉, 인지적 근거 (cognitive grounding)가 제한된 고정된 업데이트 규칙에 의존하거나, 신념 변화를 제약 없는 LLM 상호작용에 크게 위임하는 방식입니다. 우리는 구조화된 의견 역학을 LLM 기반의 에이전트 추론과 결합함으로써 이러한 패러다임을 연결하는 인지적 근거 기반 시뮬레이션 프레임워크인 ScioMind를 소개합니다. ScioMind는 세 가지 핵심 구성 요소를 통합합니다: 1) 성격에 따라 조건화된 앵커링 강도 (anchoring strength)를 통해 영향에 대한 민감도를 조절하는 메모리 앵커링 기반 신념 업데이트 규칙 (memory-anchored belief update rule); 2) 지속적이고 경험 중심적인 신념 형성을 지원하는 계층적 메모리 아키텍처 (hierarchical memory architecture); 3) 코퍼스 기반 검색 파이프라인 (corpus-grounded retrieval pipeline)에서 도출되어 이질적인 성격, 근거, 진화하는 내부 상태를 가능하게 하는 동적 에이전트 프로필 (dynamic agent profiles)입니다. 우리는 실제 정책 토론 시나리오의 여러 사례 연구를 통해 ScioMind를 평가합니다. 양극화 (polarisation), 다양성 (diversity), 극단화 (extremization), 궤적 안정성 (trajectory stability)을 포함한 지표 전반에 걸쳐, 제안된 구성 요소들은 행동적 사실성 (behavioural realism)에서 일관된 개선을 보여줍니다. 특히, 동적 프로필은 의견의 다양성을 증가시키고, 메모리와 성찰 (reflection)은 불안정한 진동을 줄이며, 앵커링은 정치 심리학 (political psychology)에서 보고된 패턴과 더 잘 일치하는 지속적인 신념 궤적을 유도합니다. 이러한 결과는 우리의 인지적 근거 기반 설계가 안정성과 행동적 사실성을 모두 향상시키는 LLM 기반 사회 시뮬레이션의 새로운 솔루션을 제공함을 시사합니다.