체계화된 집단 행동 시뮬레이션: 새로운 프레임워크, 벤치마크 및 분석

Simulating Organized Group Behavior: New Framework, Benchmark, and Analysis

조직화된 그룹(예: 기업)이 의사 결정을 내리는 방식(예: 경쟁사의 움직임에 대응하는 것)을 시뮬레이션하는 것은 현실 세계의 역학 관계를 이해하고 관련 응용 분야(예: 시장 예측)에 도움이 됩니다. 본 논문에서는 이 문제를 조직 행동 이해를 위한 구체적인 연구 플랫폼으로 공식화하며, (1) 벤치마크 및 평가 기준이 포함된 작업 형식화, (2) 구조적이고 적응 가능한 분석 프레임워크, 그리고 (3) 상세한 시간 경과 및 그룹 간 분석을 제공합니다. 특히, 우리는 '조직화된 집단 행동 시뮬레이션'이라는 작업을 제안하는데, 이 작업은 조직화된 그룹을 실용적인 관점에서 집단적 개체로 모델링하며, 특정 상황(예: AI 붐)에 직면한 그룹이 어떤 결정을 내릴지 예측하는 것을 목표로 합니다. 이를 지원하기 위해, 우리는 GROVE (GRoup Organizational BehaVior Evaluation)라는 벤치마크를 제시합니다. 이 벤치마크는 위키피디아와 TechCrunch에서 수집된 9개 영역의 44개 조직화된 그룹에 대한 8,052개의 실제 상황-결정 쌍을 포함하며, 일관성, 주도성, 범위, 규모 및 기간을 평가하는 전체적인 평가 프로토콜을 제공합니다. 단순한 프롬프트 기반 접근 방식 외에도, 우리는 집단 의사 결정 이벤트를 해석 가능하고 적응적이며 추적 가능한 행동 모델로 변환하는 구조화된 분석 프레임워크를 제안합니다. 이는 요약 및 검색 기반의 기존 방법보다 더 우수한 성능을 달성합니다. 또한, 시간 정보를 고려한 진화 및 그룹 정보를 활용한 지식 전달을 위한 어댑터 메커니즘과 각 의사 결정 규칙이 근거하는 원본 역사적 사건을 추적할 수 있는 증거 노드를 도입합니다. 우리의 분석 결과는 개별 그룹 내에서 발생하는 시간 경과에 따른 행동 변화를 보여주며, 이 시간 정보를 활용한 어댑터가 예측 성능을 향상시키는 것을 확인했습니다. 또한, 구조화된 그룹 간 유사성을 통해 데이터가 부족한 조직에서도 지식 전달이 가능함을 알 수 있습니다.

Simulating how organized groups (e.g., corporations) make decisions (e.g., responding to a competitor's move) is essential for understanding real-world dynamics and could benefit relevant applications (e.g., market prediction). In this paper, we formalize this problem as a concrete research platform for group behavior understanding, providing: (1) a task formalization with benchmark and evaluation criteria, (2) a structured and adaptive analytical framework, and (3) detailed temporal and cross-group analysis. Specifically, we propose Organized Group Behavior Simulation, a task that models organized groups as collective entities from a practical perspective: given a group facing a particular situation (e.g., AI Boom), predict the decision it would take. To support this task, we present GROVE (GRoup Organizational BehaVior Evaluation), a benchmark covering 44 organized groups with 8,052 real-world context-decision pairs collected from Wikipedia and TechCrunch across 9 domains, with an end-to-end evaluation protocol assessing consistency, initiative, scope, magnitude, and horizon. Beyond straightforward prompting pipelines, we propose a structured analytical framework that converts collective decision-making events into an interpretable, adaptive, and traceable behavioral model, achieving stronger performance than summarization- and retrieval-based baselines. It further introduces an adapter mechanism for time-aware evolution and group-aware transfer, and traceable evidence nodes grounding each decision rule in originating historical events. Our analysis reveals temporal behavioral drift within individual groups, which the time-aware adapter effectively captures for stronger prediction, and structured cross-group similarity that enables knowledge transfer for data-scarce organizations.