面向观点动态的数字孪生：一种用于社交网络的生成式LLM框架

# 面向社会网络的生成式LLM框架  
来源：https://arxiv.org/html/2609.19913  

## 用于舆论动力学的数字孪生：面向社会网络的生成式LLM框架  

Omran Berjawi  
隶属机构：信息处理与通信实验室（LTCI）  
巴黎综合理工学院，巴黎高科电信学院，法国帕莱索  
邮箱：[email protected]  

Giuseppe Fenza  
隶属机构：管理与信息系统系（DISA-MIS）  
萨莱诺大学，意大利菲西亚诺  
邮箱：[email protected]  

Rida Khatoun  
隶属机构：信息处理与通信实验室（LTCI）  
巴黎综合理工学院，巴黎高科电信学院，法国帕莱索  
邮箱：[email protected]  

Sherali Zeadally  
隶属机构：通信与信息学院，肯塔基大学  
电子工程系，庆熙大学，韩国  
邮箱：[email protected]  

###### 摘要  
社会网络中的舆论动力学研究是计算社会科学的关键挑战之一，直接关系到对政治极化、错误信息及健康行为响应的理解。当前方法主要聚焦于简化的数学模型，忽略了与信念更新相关的语言和上下文因素，或使用未经真实数据验证的基于大型语言模型（LLM）的模拟。本文提出一个基于数字孪生概念的框架，用于模拟社会网络中的舆论动态。该方法通过克隆真实Twitter网络，为智能体分配一组属性（如人格、情绪、中心性、顽固性和影响力），并采用Mistral-7B基于记忆与社会暴露执行舆论更新，从而填补了现有研究的空白。为验证该方法，我们在两个真实Twitter数据集（COVID-19话语与2020年美国大选）上进行验证。结果表明，所提框架能够复现舆论轨迹，并将个体预测误差较最佳经典基线降低超过50%（Mistral-7B在COVID-19与美国大选2020数据集上的平均绝对误差（MAE）分别为0.150和0.121）。我们观察到结构对齐性（ΔΔr分别为0.120和0.180）与极化动态（ΔΔVar分别为0.106和0.115）在两个数据集上也有相似提升。此外，消融研究证实智能体属性、记忆与社会暴露均有助于框架复现舆论轨迹的预测保真度，其中智能体属性是最关键的贡献因素。总体而言，我们的结果证明，将Mistral-7B植根于经验性克隆的交互网络中，能构建一个能够复现复杂社会动态的逼真模拟框架。  

###### 索引词：数字孪生，舆论动力学，大型语言模型，生成式智能体模拟，社会网络分析，计算社会科学  

## I 引言  
社交媒体已将公共讨论转变为一个影响世界事件与结果的系统。一项针对超过5亿条疫苗相关推文的研究显示，Twitter讨论与各免疫阶段COVID-19疫苗接种人数之间存在强关联[1 (https://arxiv.org/html/2609.19913#bib.bib1), 2 (https://arxiv.org/html/2609.19913#bib.bib39)]。类似地，在线反疫苗内容与接种意愿降低相关，且有分析指出未被报道的错误信息可能比已报道的错误信息破坏性更大。在公共卫生之外，2020年美国大选期间通过社交媒体传播的叙事在造成前所未有的政治极化中发挥了关键作用[3 (https://arxiv.org/html/2609.19913#bib.bib2), 4 (https://arxiv.org/html/2609.19913#bib.bib3), 5 (https://arxiv.org/html/2609.19913#bib.bib4)]。因此，预测舆论随时间的变化对于理解集体行为过程至关重要。  

### I-A 研究空白  
社会网络中舆论动态的主流计算方法将舆论变化视为网络内动态过程的结果，其中舆论变化过程通过在静态交互图上操作的确定性或随机聚合函数进行数学表述。经典模型包括DeGroot[6 (https://arxiv.org/html/2609.19913#bib.bib5)]和Friedkin–Johnsen模型[7 (https://arxiv.org/html/2609.19913#bib.bib6)]，以及有界置信模型如Hegselmann–Krause[8 (https://arxiv.org/html/2609.19913#bib.bib7)]和Deffuant–Weisbuch[9 (https://arxiv.org/html/2609.19913#bib.bib8)]，它们提供了描述影响传播、共识达成和极化机制的分析框架。尽管这些模型在数学上可处理且可解释，但它们存在一个显著缺点：本质上忽略了信念变化背后的认知过程。具体而言，它们主要通过智能体舆论值的数值平均值来建模舆论更新，而未考虑语言上下文；例如，社会网络中的舆论是通过自然语言表达的，其中上下文、框架和情感基调影响着其解释及后续的信念更新。  

大型语言模型（LLMs）的解决方案为此限制（即传统模型无法捕捉舆论变化的语言上下文）提供了一种全新的解决途径。这通过为处理文本交互和上下文记忆的智能体实现生成式推理能力来实现。早期研究表明，基于LLM的智能体能够展示社会一致性，并适应不同的对话环境[10 (https://arxiv.org/html/2609.19913#bib.bib9), 11 (https://arxiv.org/html/2609.19913#bib.bib10), 12 (https://arxiv.org/html/2609.19913#bib.bib11), 13 (https://arxiv.org/html/2609.19913#bib.bib12)]。然而，当前方法通常建立在合成交互图或简化的智能体模型之上。此外，这些方法往往缺乏针对真实舆论动态的严格经验验证。  

尽管经典方法和基于LLM的方法都取得了重大进展，但仍有一个关键空白未被解决。经典方法（DeGroot、Friedkin–Johnsen、Hegselmann–Krause和Deffuant–Weisbuch）通过加权平均或有界置信更新等数值聚合规则建模舆论变化，提供了结构清晰度，但在认知真实性上有所欠缺；而LLMs能产生大量生成行为，却未能在现实环境中验证其行为。  

总而言之，我们识别出的研究空白包括：  
- • 研究空白1（RG1）：经典舆论动力学模型提供了强大的数学基础，但在认知和语言真实性方面有限，因为它们未考虑影响舆论形成与变化的上下文、情感和语义因素。  
- • 研究空白2（RG2）：基于LLM的模拟依赖于合成网络和简化的智能体表示，而非真实网络。  
- • 研究空白3（RG3）：现有方法提供的证据有限，无法证明植根于真实用户特征的基于LLM的智能体能否复现真实世界集体舆论的时间演变。  

### I-B 研究贡献  
为解决上述研究空白，我们做出以下研究贡献：  
- • 研究贡献1（RC1）：我们提出一种新颖的生成式数字孪生框架，该框架克隆经验性社会网络结构，包括多维用户特征，并使用基于LLM的智能体预测舆论轨迹，从而引入了经典模型所缺乏的认知和语言真实性。  
- • 研究贡献2（RC2）：我们将基于LLM的智能体植根于经验性克隆的真实Twitter网络，而非合成图，并根据从真实用户数据中提取的属性实例化每个智能体，从而提供了先前基于LLM的模拟所缺乏的经验基础。  
- • 研究贡献3（RC3）：我们提供了一个经过验证的预测框架，通过在两个真实Twitter数据集上的评估以及广泛的消融研究证明，植根于真实用户特征的智能体能够复现个体和集体舆论的时间演变，其中智能体特质是关键贡献因素。  

本文其余部分组织如下：第II节 (https://arxiv.org/html/2609.19913#S2) 回顾相关工作。第III节 (https://arxiv.org/html/2609.19913#S3) 和第IV节 (https://arxiv.org/html/2609.19913#S4) 呈现问题表述和框架构建。第V节 (https://arxiv.org/html/2609.19913#S5) 和第VI节 (https://arxiv.org/html/2609.19913#S6) 分别讨论实验设置和结果。第VII节 (https://arxiv.org/html/2609.19913#S7) 讨论所得结果，第VIII节 (https://arxiv.org/html/2609.19913#S8) 介绍我们所提框架的局限性。最后，第IX节 (https://arxiv.org/html/2609.19913#S9) 进行总结。  

## II 相关工作  
网络环境中舆论演变建模背后的主要理论基础建立在动力系统之上。DeGroot模型[6 (https://arxiv.org/html/2609.19913#bib.bib5)] 依赖通过加权平均进行舆论更新，在适当连接条件下收敛至共识状态；而Friedkin–Johnsen模型[7 (https://arxiv.org/html/2609.19913#bib.bib6)] 考虑了个体智能体的顽固性程度。这些过去的研究结果推动了有界置信模型的发展：Hegselmann–Krause模型[8 (https://arxiv.org/html/2609.19913#bib.bib7)] 依赖于基于置信距离限制智能体之间的交互，导致极化和聚类。Deffuant–Weisbuch模型[9 (https://arxiv.org/html/2609.19913#bib.bib8)] 在相同限制下使用成对的随机驱动舆论更新。总体而言，这些模型既在数学上可处理，又对共识形成和社会影响现象提供了深刻的分析。  

近期研究工作一直致力于将这一理论基础推广到更复杂的舆论动力学模型，以捕获更广泛的社会影响机制和更复杂的舆论演变模式[14 (https://arxiv.org/html/2609.19913#bib.bib13), 15 (https://arxiv.org/html/2609.19913#bib.bib14)]。在此背景下，Liu等人[16 (https://arxiv.org/html/2609.19913#bib.bib15)] 提出了DeGroot[6 (https://arxiv.org/html/2609.19913#bib.bib5)] 模型的一种变体，用于表示人类舆论的概率语言数据，但其方法仍局限于静态语言共识形成，无法捕捉演变社会网络中的动态交互过程。Wu等人[17 (https://arxiv.org/html/2609.19913#bib.bib16)] 提出了混合DeGroot–Hegselmann–Krause模型来分析全局聚合和有界置信交互，但其框架仍然是纯数值的，无法表示舆论的语义内容。Conjeaud等人[18 (https://arxiv.org/html/2609.19913#bib.bib17)] 开发了一个具有全局信息反馈的两层DeGroot模型，展示了外部信号（如热门新闻推送、媒体报道或选举结果）如何影响极化，但该模型仍然依赖数值舆论更新，无法表示智能体观点背后的语义内容或推理。最后，Nugent等人[19 (https://arxiv.org/html/2609.19913#bib.bib19)] 开发了一个连续年龄结构模型，反映了不同人群类型（如青少年、工作年龄成人和老年人群体）的不同响应时间。  

与此同时，当前方法存在一个明显的局限性：这些方法将信念更新过程简化为纯粹的数值规则，忽略了真实生活中舆论所表达的语言推理[20 (https://arxiv.org/html/2609.19913#bib.bib20)]。基于智能体的建模（ABM）方法在此基础上，用遵循某些行为规则的自主智能体取代了分析性更新规则[21 (https://arxiv.org/html/2609.19913#bib.bib21), 22 (https://arxiv.org/html/2609.19913#bib.bib22), 23 (https://arxiv.org/html/2609.19913#bib.bib23)]。然而，最近的研究人员开发了针对社交媒体极化问题以及此类平台如何利用其网络的结构特征、信息扩散和算法助推来促进错误信息传播的ABMs[3 (https://arxiv.org/html/2609.19913#bib.bib2), 24 (https://arxiv.org/html/2609.19913#bib.bib24)]。尽管取得了这些进展，ABMs仍受限于智能体的行为遵循预定义的行为规则：它们通过遵循手动定义的数学函数而非解释消息及其上下文来更新其状态。  

LLMs的出现开辟了一个全新的研究领域。Park等人[11 (https://arxiv.org/html/2609.19913#bib.bib10)] 揭示，利用具有记忆和反思能力的LLMs的生成式智能体在沙盒环境中表现出涌现的社会行为。Chuang等人[12 (https://arxiv.org/html/2609.19913#bib.bib11)] 证明，使用LLMs的智能体网络可用于建模舆论动态。Gao等人[10 (https://arxiv.org/html/2609.19913#bib.bib9)] 提出了S3，第一个基于LLM的社交网络模拟器，通过分析真实世界事件来建模情绪传播和极化。Mou等人[25 (https://arxiv.org/html/2609.19913#bib.bib25)] 和Wang等人[26 (https://arxiv.org/html/2609.19913#bib.bib26)] 在无标度、小世界和随机图上探索了使用LLM智能体的回音室形成现象，并建议采用助推干预措施以最小化极化指标。尽管有这些进步，这些智能体存在于缺乏经验性网络重建的人工环境中，并且主要依赖定性比较进行验证。  

在更大规模上，据Piao等人[27 (https://arxiv.org/html/2609.19913#bib.bib27)] 所述，AgentSociety展示了在合理社会环境中同步超过一万个智能体的潜力。此外，Park等人[28 (https://arxiv.org/html/2609.19913#bib.bib28)] 发现，基于访谈的智能体能够以高度精确度生成真实的个体态度。最近，SocioVerse（Zhang等人[29 (https://arxiv.org/html/2609.19913#bib.bib29)]）提供了一个基于通过社交媒体获得的1000万真实用户账户数据集的社会模拟世界模型，在环境、交互和行为方面实现了对齐。虽然这项创新朝着群体级现实迈进了一大步，但所提架构侧重于政治、新闻和经济中的聚合级行为趋势，而非模拟交互设置中舆论指标的时间变化。FDE-LLM[30 (https://arxiv.org/html/2609.19913#bib.bib30)] 结合了基于LLM的角色扮演和使用微博数据训练的物理信息微分方程，但智能体仍然是低维的，并且在人工社会交互格点下运行，而非重建的社会网络。另外两项工作开发了模拟社会数字孪生的平台，但没有提供连续的、经过验证的舆论动力学输出。Rossetti等人[13 (https://arxiv.org/html/2609.19913#bib.bib18)]...