人間の協調行動を再現する大規模言語モデルとは？

大規模言語モデルが人間の協調行動をゲーム理論実騐で模倣

元記事タイトル: 大規模言語モデルがゲーム理論実験で人間の協調行動を模倣

arXiv cs.AI 2026年07月02日

査読未完了の可能性があります。完成した査読済み論文としてではなく、研究コミュニティ向けの早期共有として読んでください。

RESEARCH 研究論文 / Preprint

Field Note 読む前に確認

3行まとめ

Llamaは人間の協調行動パターンを高精度に再現
Qwenはナッシュ均衡予測と密接な関係を持つ
これらの結果は社会的シミュレーションにおけるモデルの信頼性向上につながる

こんな人に関係ある話

AI研究者ゲーム理論学者大規模言語モデル開発者

信頼度メモ

プレプリント論文（査読前の可能性あり）

記事の読み解き Reading

元記事を材料に、要点、編集視点、良い点と懸念点を読みやすい順に整理しています。

この研究では、大規模言語モデル（LLM）が社会的シミュレーターとして機能するためには人間の行動を正確に再現することが重要であると指摘します。Llama, Mistral, Qwenという3つのオープンモデルを使用し、121種類のゲーム理論実験でこれらのモデルの協調行動パターンを評価しました。その結果、Llamaは人間の協調行動パターンを高精度に再現し、Qwenはナッシュ均衡予測と密接に関連しています。

編集部コメント

この研究では、大規模言語モデルがゲーム理論における人間の協調行動を模倣する能力について詳細な分析を行っています。特に、LlamaとQwenの異なる特性が示されており、これらの違いは将来的な応用において重要な指標となるでしょう。

評価ポイント Assessment

良い点

Llamaが人間の協調行動パターンを高い正確性で再現
Qwenはナッシュ均衡予測と密接な関係を持つことが判明
モデルの行動特性を評価するためのフレームワークが提案

業界・社会への影響 Impact

この研究結果は、大規模言語モデルが社会的シミュレーションや意思決定支援ツールとして利用される際の信頼性と効果性に大きな影響を及ぼします。特に、人間の行動パターンを正確に再現できるモデルは、実世界での応用において重要な役割を果たす可能性があります。

参照元 Sources

元記事と、深堀りで参照した情報源です。コミュニティ投稿やプレプリントでは、ここから根拠を確認できます。

大規模言語モデルがゲーム理論実験で人間の協調行動を模倣

arXiv cs.AI

https://arxiv.org/abs/2511.04500

この記事の見取り図

読む前に確認
記事の読み解き
参照元
AI要約について
関連記事

キーワード

Llama Mistral Qwen ゲーム理論ナッシュ均衡

AI要約について

本記事の要約・分類・読み解きにはAIを使用しています。内容確認に努めていますが、誤訳・解釈違い・元記事更新の反映漏れを含む可能性があります。重要な判断を行う場合は、必ず元記事もご確認ください。

速報について — 速報は追加調査や本文抽出の結果で内容が更新される場合があります。初期要約には誤りや不足が含まれる可能性があります。

記事データ

Source	プレプリント
Category	研究論文
Status	速報
出典	arXiv cs.AI
公開日	2026-07-02

元記事の説明文

arXiv:2511.04500v3 Announce Type: replace Abstract: Large language models (LLMs) are increasingly deployed as decision-making agents in high-stakes domains and as imitators of human behavior in the social and behavioral sciences. Yet how closely LLMs mirror human decision-making remains poorly understood. This gap is critical: misalignment could produce harmful outcomes in practice, while failure to replicate human behavior renders LLMs ineffective as social simulators. Here, we address this gap by replicating large-scale game-theoretic experiments and by introducing a systematic prompting and probing framework for machine-behavioral evaluation. We test three open models typically used to power agents (Llama, Mistral, and Qwen). Across 121 dyadic games spanning four classical game types, Llama reproduces human cooperation patterns with high fidelity, while Qwen aligns closely with Nash equilibrium predictions. Characterizing models through behavioral phenotyping, we find that humans and Llama share an envious decision profile, while Qwen and Mistral exhibit different profiles. An attention-based analysis of payoff salience reveals Llama processes payoff information in a structured, layer-dependent manner absent in Qwen and Mistral, suggesting a mechanistic basis for its closer alignment with human behavior. Population-level behavioral replication is achieved without persona-based prompting, simplifying the simulation process. Extending the experimental parameter space beyond the original human-tested games, we generate and preregister testable hypotheses for novel game configurations. Our findings demonstrate appropriately configured LLMs can replicate aggregate human behavioral patterns, exhibit human-like decision phenotypes, and enable systematic exploration of unexplored experimental spaces, offering a complementary approach to traditional behavioral research that generates new empirical predictions about human social decision-making.