Resumen: El crecimiento exponencial de las redes sociales y la IA generativa ha transformado la difusión de información, fomentando la conectividad pero también acelerando la propagación de la información errónea. Comprender la dinámica de propagación de la información y desarrollar estrategias de control efectivas es esencial para mitigar el contenido dañino. Los modelos tradicionales, como SIR, proporcionan ideas básicas, pero capturan inadecuadamente las complejidades de las interacciones en línea. Los métodos avanzados, incluidos los mecanismos de atención y las redes neuronales gráficas, mejoran la precisión, pero generalmente pasan por alto la psicología del usuario y la dinámica conductual. Los modelos de idiomas grandes (LLM), con su razonamiento humano, ofrecen un nuevo potencial para simular aspectos psicológicos de la información. Presentamos un entorno de simulación basado en LLM que captura las actitudes, emociones y respuestas en evolución de los agentes de los agentes. Sin embargo, los experimentos iniciales revelaron brechas significativas entre los comportamientos generados por LLM y la dinámica humana auténtica, especialmente en la detección de posiciones y el realismo psicológico. Una evaluación detallada a través de la teoría del procesamiento de la información social identificó principales discrepancias en el establecimiento de objetivos y la evaluación de retroalimentación, derivada de la falta de procesamiento emocional en la capacitación estándar de LLM. Para abordar estos problemas, proponemos el mecanismo de cadena de pensamiento basado en procesamiento de información social (SIP-COT) mejorado por la memoria guiada por la emoción. Este método mejora la interpretación de las señales sociales, la personalización de los objetivos y la evaluación de la retroalimentación. Los resultados experimentales confirman que los agentes LLM mejorados por SIP-Cot procesan de manera más efectiva la información social, demostrando comportamientos, actitudes y emociones más cercanas a las interacciones humanas reales. En resumen, esta investigación destaca las limitaciones críticas en las simulaciones actuales de propagación basadas en LLM y demuestra cómo la integración de la memoria SIP y la memoria emocional mejora significativamente la inteligencia social y el realismo de los agentes de LLM.
Publicado Originalme en export.arxiv.org El 8 de julio de 2025.
Ver Fuente Original
