A Natural Language Agentic Approach to Study Affective Polarization
作者: Stephanie Anneris Malvicini, Ewelina Gajewska, Arda Derbent, Katarzyna Budzynska, Jarosław A. Chudziak, Maria Vanina Martinez
分类: cs.AI
发布日期: 2026-03-03
备注: Accepted at ICAART 2026 (18th International Conference on Agents and Artificial Intelligence). The final published version is available in the conference proceedings (SCITEPRESS)
期刊: In Proceedings of the 18th International Conference on Agents and Artificial Intelligence (ICAART 2026), Vol. 1, pp. 339-346. SCITEPRESS, 2026
💡 一句话要点
提出基于自然语言Agent的框架，用于研究社交媒体中的情感极化现象
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 情感极化 自然语言Agent 大型语言模型 社交媒体 计算社会科学
📋 核心要点
- 现有情感极化研究受限于数据标注成本高昂和主观偏差，缺乏统一的形式化定义工具。
- 论文提出一种基于大型语言模型的多Agent平台，模拟社交媒体环境，Agent在其中进行讨论，研究情感极化。
- 实验表明该平台能够灵活地模拟复杂社会动态，并为情感极化研究提供新的视角和可控的实验环境。
📝 摘要（中文）
情感极化一直是政治和社会研究的核心议题，尤其是在社交媒体上，党派分歧往往更加严重。现实研究范围有限，而模拟研究则缺乏高质量的训练数据，因为手动标注帖子既费力又容易产生主观偏差。缺乏足够的工具来形式化不同研究中情感极化的定义，这使得结果比较复杂，并阻碍了可互操作框架的构建。本文提出了一种多Agent模型，为研究社交媒体中的情感极化提供了一种全面的方法。为了实现该框架，我们开发了一个利用大型语言模型（LLM）构建虚拟社区的平台，Agent在其中进行讨论。我们通过以下方式展示了我们平台的潜力：（1）分析社会科学文献中探讨的与情感极化相关的问题，为这一现象提供了一个新的视角；（2）引入允许在不同粒度和抽象级别观察和测量极化的场景。实验表明，我们的平台是计算研究复杂社会动态（如情感极化）的灵活工具。它利用先进的Agent模型来模拟丰富的、上下文敏感的交互，并系统地探索传统上通过人类受试者研究解决的研究问题。
🔬 方法详解
问题定义：现有情感极化研究面临数据获取和标注的难题。真实世界的研究往往范围有限，而模拟研究则需要大量高质量的训练数据，但人工标注既耗时又容易引入主观偏见。此外，不同研究对情感极化的定义各不相同，缺乏统一的形式化工具，导致研究结果难以比较和整合。
核心思路：本文的核心思路是利用大型语言模型（LLM）构建虚拟社交环境，通过模拟Agent之间的交互来研究情感极化。这种方法可以克服数据获取和标注的难题，并提供一个可控的实验环境，以便系统地研究情感极化的各种影响因素。
技术框架：该平台主要包含以下几个模块：1) Agent生成模块：利用LLM生成具有不同政治倾向和情感表达方式的Agent。2) 社交环境模拟模块：模拟社交媒体平台，Agent可以在其中发布帖子、评论和互动。3) 情感极化测量模块：设计指标来量化Agent之间的情感极化程度。4) 实验控制模块：允许研究人员控制实验参数，例如Agent的数量、政治倾向分布和交互规则。
关键创新：该方法最重要的创新点在于利用LLM构建虚拟社交环境，从而能够以一种可控和系统的方式研究情感极化。与传统的基于人工标注数据的方法相比，该方法可以大大降低数据获取和标注的成本，并避免主观偏见。此外，该平台还提供了一个灵活的实验环境，允许研究人员探索各种影响情感极化的因素。
关键设计：Agent的政治倾向和情感表达方式通过LLM的prompt工程进行控制。例如，可以通过在prompt中指定Agent的政治立场和情感倾向来生成具有特定属性的Agent。情感极化程度的测量指标可以包括Agent之间的情感距离、意见分歧程度和互动频率等。实验控制模块允许研究人员调整Agent的数量、政治倾向分布、交互规则以及其他相关参数。
🖼️ 关键图片
📊 实验亮点
该平台通过模拟Agent之间的交互，成功地重现了社交媒体中的情感极化现象。实验结果表明，Agent之间的情感距离随着政治立场差异的增大而增加，并且互动频率与情感极化程度呈正相关。此外，该平台还能够模拟不同干预措施对情感极化的影响，例如信息过滤可以有效地降低情感极化程度。
🎯 应用场景
该研究成果可应用于政治学、社会学和传播学等领域，帮助研究人员更好地理解和预测社交媒体中的情感极化现象。此外，该平台还可以用于评估不同干预措施对情感极化的影响，例如信息过滤、观点引导和社交网络结构调整等，从而为缓解社会冲突和促进社会和谐提供参考。
📄 摘要（原文）
Affective polarization has been central to political and social studies, with growing focus on social media, where partisan divisions are often exacerbated. Real-world studies tend to have limited scope, while simulated studies suffer from insufficient high-quality training data, as manually labeling posts is labor-intensive and prone to subjective biases. The lack of adequate tools to formalize different definitions of affective polarization across studies complicates result comparison and hinders interoperable frameworks. We present a multi-agent model providing a comprehensive approach to studying affective polarization in social media. To operationalize our framework, we develop a platform leveraging large language models (LLMs) to construct virtual communities where agents engage in discussions. We showcase the potential of our platform by (1) analyzing questions related to affective polarization, as explored in social science literature, providing a fresh perspective on this phenomenon, and (2) introducing scenarios that allow observation and measurement of polarization at different levels of granularity and abstraction. Experiments show that our platform is a flexible tool for computational studies of complex social dynamics such as affective polarization. It leverages advanced agent models to simulate rich, context-sensitive interactions and systematically explore research questions traditionally addressed through human-subject studies.