MASCOT: 멀티 에이전트 사회적 협력 동반자 시스템을 향하여

MASCOT: Towards Multi-Agent Socio-Collaborative Companion Systems

최근 멀티 에이전트 시스템(MAS)은 정서적 및 인지적 지원을 위한 유망한 사회적 협력 동반자로 부상했습니다. 그러나 이러한 시스템은 에이전트가 일반적이고 획일화된 비서 행동으로 회귀하는 '페르소나 붕괴(persona collapse)'와, 불필요하고 비건설적인 대화를 생성하는 '사회적 아첨(social sycophancy)' 문제를 빈번하게 겪고 있습니다. 본 연구에서는 다각적인 사회적 협력 동반자를 위한 일반화 가능한 프레임워크인 MASCOT를 제안합니다. MASCOT는 개별 및 집단 행동을 조화시키기 위해 새로운 이중 최적화 전략을 도입합니다. 1) 정체성 상실을 방지하기 위해 엄격한 페르소나 충실도를 유지하도록 개별 에이전트를 미세 조정하는 RLAIF 기반 파이프라인인 '페르소나 인식 행동 정렬(Persona-Aware Behavioral Alignment)', 2) 다양하고 생산적인 담론을 보장하기 위해 그룹 수준 보상으로 유도되는 메타 정책인 '협력적 대화 최적화(Collaborative Dialogue Optimization)'가 그것입니다. 심리 지원 및 업무 환경 도메인에 걸친 광범위한 평가 결과, MASCOT는 최신 기준 모델들을 크게 능가하며 페르소나 일관성에서 최대 +14.1, 사회적 기여도에서 +10.6의 향상을 달성했습니다. 우리의 프레임워크는 차세대 사회적 지능형 멀티 에이전트 시스템을 설계하기 위한 실질적인 로드맵을 제공합니다.

Multi-agent systems (MAS) have recently emerged as promising socio-collaborative companions for emotional and cognitive support. However, these systems frequently suffer from persona collapse--where agents revert to generic, homogenized assistant behaviors--and social sycophancy, which produces redundant, non-constructive dialogue. We propose MASCOT, a generalizable framework for multi-perspective socio-collaborative companions. MASCOT introduces a novel bi-level optimization strategy to harmonize individual and collective behaviors: 1) Persona-Aware Behavioral Alignment, an RLAIF-driven pipeline that finetunes individual agents for strict persona fidelity to prevent identity loss; and 2) Collaborative Dialogue Optimization, a meta-policy guided by group-level rewards to ensure diverse and productive discourse. Extensive evaluations across psychological support and workplace domains demonstrate that MASCOT significantly outperforms state-of-the-art baselines, achieving improvements of up to +14.1 in Persona Consistency and +10.6 in Social Contribution. Our framework provides a practical roadmap for engineering the next generation of socially intelligent multi-agent systems.