AI agents reshape consensus formation in human groups
作者: Lin Chen, Ziyi Liu, Xia Hu, Yong Li
分类: cs.CL, cs.CY, cs.SI
发布日期: 2026-09-02
💡 一句话要点
研究AI代理如何重塑人类群体中的共识形成
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 人工智能 共识形成 人机协作 语言模型 社交行为 群体决策
📋 核心要点
- 随着AI代理的引入，传统的人类共识形成机制面临挑战，尤其是在表达和语义理解方面。
- 本文通过实验研究不同LLM代理比例对人类共识形成的影响，提出了三种共识形成机制的分类。
- 实验结果表明，AI代理的比例显著影响共识的内容和合法性，尤其在人类与AI的互动中表现出不同的语义特征。
📝 摘要（中文）
随着大型语言模型（LLM）代理从工具转变为人类群体中的参与者，集体行为的一个基本问题是它们的存在如何重塑共识形成。本文研究了混合人类-人工智能群体在协作描述游戏中的表现，发现不同的LLM代理比例会导致三种不同的共识形成机制：低比例时以人为主导的共识，适中比例时共识收敛受阻，高比例时则恢复强共识并向代理主导的惯例转变。这些机制在共识的强度、语义基础和交流形式上存在显著差异，提供了AI组成如何影响群体规范的证据。
🔬 方法详解
问题定义：本文旨在探讨AI代理在混合人类-人工智能群体中如何影响共识形成，现有方法未能充分考虑AI的参与对人类交流和共识的影响。
核心思路：通过在协作描述游戏中调整LLM代理的比例，研究其对共识形成的影响，揭示不同比例下共识的特征和机制。
技术框架：研究采用实验设计，参与者进行多轮随机配对交流，记录共识形成过程，分析不同代理比例下的交流模式和共识特征。
关键创新：提出了三种共识形成机制的分类，分别是人类主导、干扰和代理主导，揭示了AI代理对共识内容和合法性的影响。
关键设计：实验中设置了不同的LLM代理比例，分析了人类对AI表达的初始抵抗及其后续的从众压力，使用了语义分析和交流模式的定量评估方法。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在低比例的LLM代理下，人类主导的共识更为具体和扎实，而在高比例下，代理主导的共识则更为抽象且信息密度较低。这一发现表明，AI代理的比例对共识的形成和内容有显著影响，提供了新的设计变量以优化人机系统。
🎯 应用场景
该研究的潜在应用领域包括人机协作、社交媒体内容生成和在线讨论平台等。通过理解AI代理如何影响人类共识形成，可以优化人机交互设计，提高群体决策的效率和质量，未来可能对社会规范和文化传播产生深远影响。
📄 摘要（原文）
As large language model (LLM) agents shift from tools to participants in human groups, a fundamental question for collective behavior is how their growing presence reshapes consensus formation. Here we study mixed human-AI groups in a collaborative description game, in which shared conventions emerge through repeated rounds of random pairwise communication. Varying the proportions of LLM agents, we identify three distinct regimes of consensus formation: low agent proportions facilitate human-led consensus, intermediate proportions disrupt convergence, and high proportions restore strong consensus while shifting it toward agent-led conventions. Crucially, these regimes differ not only in the strength of convergence, but also in the semantic grounding and communicative form of the resulting consensus: human-led consensus is more concrete, holistic, and grounded in shared real-world analogies, whereas agent-led consensus is more abstract, less information-dense, and more geometrically segmented. Mechanistically, agent influence arises from a shared linguistic prior that places agents near one another in the expression space, combined with relatively stable expression choices across rounds; humans initially resist adopting expressions from partners perceived as AI but gradually yield to conformity pressure. These findings provide evidence that AI composition can shape the emergence, content, and perceived legitimacy of group norms, making agent proportion and transparency important design variables for human-AI systems.