人工制度：制度設計如何形塑大型語言模型模擬的結果
arXiv - Computers and SocietyMaxim Chupilkin
研究發現，在 LLM 代理人模擬中，制度架構對社會結果的影響與代理人本身的特性同樣重要。
AI 幫你先抓重點
AI 重點 1
研究重心應從「代理人屬性」轉向「制度架構設計」
滑鼠懸停看 AI 判斷理由
過去研究多聚焦於優化 LLM 的 Prompt 或人格設定，但本文提醒我們，模擬環境的規則（制度）才是決定系統行為的核心變量，這對於設計精準的社會科學模擬至關重要。
AI 重點 2
制度設計具備高度的敏感性與決定性
滑鼠懸停看 AI 判斷理由
這項發現挑戰了「只要 AI 夠聰明，模擬結果就會趨於一致」的假設，提醒研究者在建構人工社會時，必須嚴謹定義規則，否則模擬結果可能僅是制度偏差的產物。
核心研究發現
- 1
不同的市場制度會導致效率差異：集合市場（Call market）效率最高，可實現 88.6% 的有效剩餘；雙邊談判（Bilateral bargaining）則僅為 56.4%。
- 2
制度設計會顯著改變交易量、價格與競爭均衡點之間的距離，以及買賣雙方之間剩餘分配的比例。
- 3
即使僅改變微小的制度規則，在相同的 LLM 代理人、價值觀與指令下，也會產生性質截然不同的社會模擬結果。
對教育工作者的啟發
對於開發教育模擬環境（如模擬社會運作、經濟活動或歷史情境）的設計者而言，這提供了重要啟發：在設計 PBL（專題式學習）中的模擬情境時，不應只關注學生（代理人）的角色設定，更應精確設計「規則框架」。例如，若教學目標是探討協商能力，應設計雙邊談判制度；若目標是觀察市場效率，則應選擇不同的交易機制。制度設計本身就是一種強大的教學工具，能引導出預期的學習行為與討論深度。
原始文獻資訊
- 英文標題：
- Artificial Institutions: How Institutional Design Shapes LLM Simulations
- 作者：
- Maxim Chupilkin
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。