LLM 기반 에이전트가 참여 메커니즘을 나타내는가? 정보 과부하, 규범적 행동, 인기도 지표에 대한 통제된 실험

Do LLM-Driven Agents Exhibit Engagement Mechanisms? Controlled Tests of Information Load, Descriptive Norms, and Popularity Cues

대규모 언어 모델(LLM)은 에이전트 기반 시뮬레이션을 더욱 행동적으로 풍부하게 만들지만, 동시에 기본적인 방법론적 긴장을 심화시킵니다. 유창하고 인간과 유사한 출력은 그 자체로는 이론의 증거가 되지 않습니다. 본 연구에서는 LLM 기반 시뮬레이션이 실제로 뒷받침할 수 있는 내용을 평가하기 위해 소셜 미디어에서의 정보 참여를 테스트 사례로 사용합니다. 웨이보와 유사한 환경에서, 정보 과부하와 규범적 행동을 조작하고, 인기도 지표(누적 좋아요 및 웨이보 스타일의 누적 공유)는 자체적으로 변화하도록 설정합니다. 그런 다음, 시뮬레이션된 행동이 이러한 통제된 변화 하에서 이론적으로 해석 가능한 방식으로 변하는지, 단순히 그럴듯해 보이는 결과를 생성하는 것인지 질문합니다. 참여는 정보 과부하와 규범적 행동에 체계적으로 반응하며, 인기도 지표에 대한 민감도는 상황에 따라 다릅니다. 이는 일관된 프롬프트 준수가 아닌 조건성에 대한 것을 시사합니다. 본 연구는 시뮬레이션 기반 커뮤니케이션 연구에 대한 방법론적 함의를 논의하며, 다중 조건 스트레스 테스트, 기본 프롬프트가 '블랭크' 제어 항목이 아니므로 명시적인 규범 기반 라인 설정, 그리고 집단 심리(bandwagon dynamics)를 연구할 때 내재적인 피드백 루프를 유지하는 디자인 선택 등을 포함합니다.

Large language models make agent-based simulation more behaviorally expressive, but they also sharpen a basic methodological tension: fluent, human-like output is not, by itself, evidence for theory. We evaluate what an LLM-driven simulation can credibly support using information engagement on social media as a test case. In a Weibo-like environment, we manipulate information load and descriptive norms, while allowing popularity cues (cumulative likes and Sina Weibo-style cumulative reshares) to evolve endogenously. We then ask whether simulated behavior changes in theoretically interpretable ways under these controlled variations, rather than merely producing plausible-looking traces. Engagement responds systematically to information load and descriptive norms, and sensitivity to popularity cues varies across contexts, indicating conditionality rather than rigid prompt compliance. We discuss methodological implications for simulation-based communication research, including multi-condition stress tests, explicit no-norm baselines because default prompts are not blank controls, and design choices that preserve endogenous feedback loops when studying bandwagon dynamics.