多代理系統中的湧現歧視與極化

原標題: Emergent Discrimination and Polarization in Multi-Agent Systems

本文從理論角度探討學習型代理人之間如何產生歧視與極化。每個代理人會將某個議題的語言模型嵌入向量對應到二元意見，並透過線上貝氏規則更新對其他代理人的信任。以大型語言模型進行的情境內學習實驗在質性上重現了所預測的更新過程，而模擬則顯示，依群體偏見的強度與普遍程度不同，會出現四種集體狀態。