센티폴리스: 사회 시뮬레이션을 위한 감정 인식 에이전트

Sentipolis: Emotion-Aware Agents for Social Simulations

LLM 에이전트가 사회 시뮬레이션에 점점 더 많이 사용되고 있지만, 감정은 종종 일시적인 단서로만 취급되어 감정적 기억 상실과 취약한 장기 연속성을 초래한다. 우리는 연속적인 즐거움-각성-지배(PAD) 표현, 이중 속도 감정 역학, 감정-기억 결합을 통합하여 감정 상태를 유지하는 에이전트 프레임워크인 센티폴리스(Sentipolis)를 제안한다. 여러 기반 모델과 평가자를 대상으로 한 수천 번의 상호작용 실험에서, 센티폴리스는 감정에 기반한 행동을 개선하고 의사소통 및 감정적 연속성을 강화하는 것으로 나타났다. 이러한 성과는 모델에 따라 달랐는데, 고성능 모델에서는 개연성이 증가했으나 소형 모델에서는 감소할 수 있었다. 또한 감정 인식은 사회적 규범 준수율을 다소 낮출 수 있는데, 이는 사회 시뮬레이션 내에서 감정 주도 행동과 규칙 준수 사이의 인간적인 긴장 관계를 반영한다. 네트워크 수준 진단 결과는 상호적이고 적당히 군집화되었으며 시간적으로 안정적인 관계 구조를 보여주어, 동맹 형성이나 점진적인 관계 변화와 같은 누적적인 사회 역학 연구를 뒷받침한다.

LLM agents are increasingly used for social simulation, yet emotion is often treated as a transient cue, causing emotional amnesia and weak long-horizon continuity. We present Sentipolis, a framework for emotionally stateful agents that integrates continuous Pleasure-Arousal-Dominance (PAD) representation, dual-speed emotion dynamics, and emotion--memory coupling. Across thousands of interactions over multiple base models and evaluators, Sentipolis improves emotionally grounded behavior, boosting communication, and emotional continuity. Gains are model-dependent: believability increases for higher-capacity models but can drop for smaller ones, and emotion-awareness can mildly reduce adherence to social norms, reflecting a human-like tension between emotion-driven behavior and rule compliance in social simulation. Network-level diagnostics show reciprocal, moderately clustered, and temporally stable relationship structures, supporting the study of cumulative social dynamics such as alliance formation and gradual relationship change.