개인 수준의 행동 이질성(behavioral heterogeneity)을 표현하는 것은 역학 모델링(epidemiological modeling)에서 어려운 과제이며, 특히 실증적 행동 데이터가 부족한 경우 더욱 그렇다. 본 연구는 주사 약물 사용자(people who inject drugs) 사이의 C형 간염 바이러스(hepatitis C virus) 관련 행동을 사례 연구로 사용하여, 이러한 과제를 해결하는 데 있어 대규모 언어 모델(LLM)이 생성한 행동 출력의 가능성을 평가한다. 역학적 패턴과의 일치성은 세 가지 외부 벤치마크, 즉 문헌에 기반한 연관성 방향, 에이전트 기반 모델(agent-based model, ABM)에서 도출된 상관관계, 그리고 설문조사 연관성을 사용하여 평가되었다. 세 가지 LLM에 걸쳐, 유지된 28개의 문헌 기반 연관성에 대한 무조건적 방향 회복률(unconditional directional recovery)은 46~68%였으며, 이는 동일한 연관성을 직접 분류하도록 요청했을 때의 82~93% 일치율과 대비된다. ABM 및 설문조사 상관 패턴과의 평균 절대 차이는 각각 0.11~0.13 및 0.15~0.18이었다. 이러한 결과는 지식 탐색(knowledge-probe) 일치율이 더 높음에도 불구하고, LLM이 생성한 행동 관계와 역학적 증거 사이에 부분적인 일치만 존재함을 보여준다. 전파 동역학(transmission dynamics)을 시뮬레이션하는 역학 모델에 LLM이 생성한 행동 출력을 통합하기 전에 더 체계적인 평가가 필요하다.
행위자 기반 모델(ABM)은 정량적 데이터가 부족하거나 정량적 데이터만으로는 실제 시스템의 복잡성을 완전히 포착하기에 불충분한 시스템을 다루는 경우가 많습니다. 인터뷰, 민족지학적 연구, 역사적 기록 또는 참여형 워크숍 등을 통해 얻은 전문가 지식과 정성적 통찰은 이러한 모델 내에서 현실적인 행동 규칙, 상호작용 및 의사결정 프로세스를 구축하는 데 매우 중요합니다. 그러나 전체 모델링 주기에 걸쳐 정성적 데이터와 정량적 데이터를 모두 통합할 수 있는 체계적인 접근 방식은 부족한 실정입니다. 이를 해결하기 위해, 본 논문에서는 특히 데이터가 희소한 환경에서 ABM을 개발, 학습 및 검증(validation)하기 위한 체계적인 혼합 방법론 프레임워크인 FREIDA를 제안합니다. 이 프레임워크에서 도입된 주요 기술적 혁신은 정성적 데이터로부터 모델 시뮬레이션을 통해 평가되는 검증 가능한 진술인 '예상 시스템 행동(ESB)'을 추출하는 것입니다. 모델 캘리브레이션을 위한 캘리브레이션 진술(CS)과 모델 검증을 위한 검증 진술(VS)로 나뉘는 ESB는 정량적 데이터와 동등한 수준의 엄격한 평가 메커니즘을 뒷받침합니다. FREIDA는 정성적 통찰을 명시적인 모델 제약 조건으로 구조화함으로써 민감도 분석(SA) 및 불확실성 정량화(UQ)와 같이 확립된 모델링 실무를 적용할 수 있는 투명한 기반을 마련하여, 모델러가 매개변수(parameter) 영향도, 모델 강건성 및 잔여 불확실성을 체계적으로 평가할 수 있도록 합니다. 이를 통해 정성적 통찰은 모델 명세뿐만 아니라 매개변수화, 검증, 그리고 모델 신뢰성과 목적 적합성의 지속적인 개선에도 정보를 제공할 수 있어 행위자 기반 모델링의 오랜 난제를 해결합니다. 본 논문에서는 네덜란드의 코카인 범죄 네트워크 사례 연구를 통해 FREIDA의 적용 사례를 설명합니다.
낙농업의 복잡한 시스템 역학을 이해하려면 농장 이질성, 사회적 상호작용, 누적 환경 영향을 포착할 수 있는 도구가 필요하다. 본 연구는 15년 기간 동안 아일랜드의 295개 낙농장에서 질소 관리와 저배출 비료 채택을 시뮬레이션하기 위한 에이전트 기반 모델링(ABM) 프레임워크를 제안한다. 실증 데이터를 사용하여, 모델은 사회적 네트워크를 통한 농장 간 커뮤니케이션을 재현하며, 채택 확률은 사회적 전염, 농장 규모 요인, 보조금 및 탄소세와 같은 정책 개입에 의해 좌우된다. 프레임워크는 부문별 온실가스 배출량, 누적 감축량, 사적-사회적 비용을 계산하며, 몬테카를로 및 민감도 분석을 통해 불확실성을 정량화한다. 모델은 높은 예측 정확도(R2 = 0.979, RMSE = 0.0274)를 달성했으며, 콜모고로프-스미르노프 검정(Kolmogorov-Smirnov test)을 사용하여 관측된 채택 데이터에 대해 검증되었다(D = 0.2407, p < 0.001). 채택 역학은 Rogers의 로지스틱 곡선에 적합화되었으며, 구조적 후발(laggard) 효과를 인정하면서 현실적인 포화 정체(91%)를 재현했다. 탈탄소화를 순수한 금전적 계산이 아닌 사회-기술적 진화로 개념화함으로써, 본 연구는 시행 전 기후 전략의 확산을 평가하기 위한 탐색적 정책 프레임워크를 수립한다.
본 장은 고전적 에이전트 기반 모델, 즉 명시적으로 정의된 행동 규칙에 따라 에이전트들이 상호작용하는 모델에서부터 출발하여, 대규모 언어 모델(LLM)에 기반한 AI 강화 시뮬레이션, 그리고 궁극적으로 현실 세계의 사회-기술 시스템을 고충실도·데이터 기반으로 표현한 사회 디지털 트윈(Social Digital Twins)에 이르는 진화를 살펴본다. 이 궤적을 따라 각 패러다임의 주요 방법론적 기반, 응용, 장점, 한계를 논하며, 일반적인 사회적 메커니즘을 탐구하기 위해 설계된 추상적 모델에서 특정 사회 시스템의 점점 더 현실적인 계산적 표현으로의 점진적 전환을 강조한다.
정책 모델은 정책 수단과 그 결과 사이의 관계가 제도적 조건에 걸쳐 안정적으로 유지된다고 가정하는 경우가 많다. 그러나 적응형 사회기술 시스템에서는 이 가정이 성립하지 않을 수 있다. 규제 변화가 인센티브를 바꿀 수 있고, 에이전트가 전략적으로 반응할 수 있으며, 정책 변수에서 집계 결과로의 매핑 자체가 변할 수 있기 때문이다. 본 논문은 이러한 체제 변화를 적응형 다중 에이전트 시스템에서의 전이학습(transfer learning) 문제로 연구한다. 정책 체제는 관측 가능한 입력 분포와 정책 변수를 결과에 매핑하는 목표 함수에 의해 유도되는 학습 문제로 표현된다. 우리는 새로운 체제에서 유연한 가설 클래스를 탐색하는 백지(blank-slate) 학습기와, 이전 체제의 구조적 지식에 의해 유효 가설 클래스가 제한된 전이 학습기를 비교한다. 전이는 이 제한이 유효 복잡성을 줄이면서 새로운 목표 함수를 보존할 때 유익하며, 제한이 새로운 목표를 배제하여 오명세(misspecification)를 초래할 때는 해롭다. 양식화된 배출 규제 실험 환경과 동적 에이전트 기반 모델(ABM) 강건성 실험이 이 주장을 뒷받침한다. 목표 체제가 아핀 단조 세금-배출 관계를 보존하는 경우, 전이는 경험적 소표본 성능을 향상시킨다. 반면 목표 체제가 임계값 단절을 도입하는 경우, 동일하게 전이된 구조는 부정적 전이(negative transfer)를 야기한다. 즉 보류 오류가 높게 유지되고, 온라인 예측에서 더 많은 오류가 발생하며, 반복적인 온라인 스트림에서 오명세 하의 누적 오류 및 최종 윈도우 오류가 더 크게 나타난다. 본 논문의 기여는 방법론적인 것으로, 이전 규제 경험은 안정적인 구조적 불변량을 포착할 때 재사용해야 하지만, 정책 변화가 정책-결과 관계를 바꾸는 경우에는 신중하게 다루어야 함을 제시한다.
LLM 에이전트 시뮬레이션의 출력이 실제 예측으로 과대 해석되는 문제를 해결하기 위해, AgoraSim은 텍스트·멀티모달 아티팩트를 편집 가능한 에이전트 기반 모델(ABM) 설정으로 변환하고 LLM, 비전-언어(VLM), 고전적 규칙 기반 에이전트를 비율 제어 방식으로 혼합 실행하는 하이브리드 프레임워크를 제안한다. 모든 에이전트가 공유 구조화 결정 객체를 출력하여 동일 시나리오를 고전적 참조 역학(임계값 확산, SIR 전파, 여론 수렴 등)과 직접 비교함으로써, 사용자가 모델링 가정의 차이를 명시적으로 검토하고 경험적 검증이 필요한 사례를 식별할 수 있게 한다.
LLM 기반 에이전트를 활용해 구역화된 환경(박물관, 전시장 등)에서의 의미론적 궤적(semantic trajectory)을 시뮬레이션하는 인터랙티브 시스템 SenseWalk를 제안하며, LLM과 사회적 힘 모델(social force model)을 결합해 물리적 타당성과 의미론적 일관성을 동시에 확보한다. 정량 실험과 사용자 연구(n=12)를 통해 시뮬레이션 워크플로우의 효과성과 시스템의 유용성을 검증하였다.
페르소나 학습 몬테카를로(PTMC)는 학습된 트레이더 이질성 분포에서 샘플링된 페르소나 파라미터로 조건화된 신경 정책 봇 군집이 지정가 주문장(limit order book) 내에서 상호작용하는 시뮬레이션을 반복함으로써 시장 결과 통계량의 분포를 추정하는 프레임워크다. 고전적 몬테카를로·수작업 에이전트 기반 모델·단일 에이전트 강화학습·LLM 기반 생성 에이전트와의 차별점을 형식화하고, 추정기의 수렴 속성 및 4단계 검증 방법론을 제안하지만, 구현과 실증 결과는 포함하지 않는 이론적 제안 논문이다.
소비자 신뢰는 일반적으로 지속적인 거시경제 지표로 모델링되지만, 그 변동은 이질적인 제약, 노출, 사전 신념, 그리고 어텐션을 통해 경제 정보를 해석하는 가계들로부터 발생한다. 우리는 ConsumerSim을 소개한다. 이는 마이크로데이터 보정 합성 인구, 타임스탬프가 부여된 거시경제·금융·정책·뉴스 신호, 설문 유사 응답 생성, 사후 계층화 신념 확장, 행동 관성 정렬을 통해 소비자 신뢰 지수(CCI) 동학을 재구성하는 생성적 인간-환경 반응 프레임워크이다. 미국, EU27, 일본 공식 CCI 목표 시계열에 걸쳐 ConsumerSim은 보고된 재구성 지표에서 지속성, 시계열, 회귀, 정보 증강 기준선 대비 1위를 기록하며, 높은 현저성 충격 주변에서 명확한 성능 향상을 보인다. 재구성된 신호는 또한 실물 경기의 단기 예측을 개선하며, 주택 결과에 대해 가장 일관된 성능을 보인다. 메커니즘 분석은 CCI 변동이 현저한 사건 주변에 집중되고, 하위 집단 궤적이 방향에서는 종종 일치하지만 크기에서는 차이를 보이며, 신호 민감도가 소득, 주택 소유 여부, 교육 수준, 정치적 성향 집단에 따라 다양함을 보여준다. 인구 확장 및 절제(ablation) 실험 결과는 대표적 집계, 상황적 신호, 페르소나 이질성, 관성이 정확도와 진단 모두에 필수적임을 나타낸다. 이 연구 결과는 소비자 신뢰를 순수한 집계 시계열이 아닌 해석 가능한 인간-환경 반응 과정으로 보는 행동주의적 관점을 지지한다.
진화적 에이전트 기반 시장(ABM)은 여러 메커니즘—누가 재생산하는가, 가격이 어떻게 형성되는가, 에이전트가 얼마나 바이어스되어 있는가, 합의가 어떻게 전파되는가—을 결합하지만, 이들은 대개 관례에 의해 고정되어 있어 어떤 메커니즘이 어떤 창발적 특성을 제어하는지 불분명하다. 120개의 이질적 행동 에이전트를 갖춘 공진화적 내생 가격 시뮬레이터에서 네 가지 메커니즘을 플러그 가능하게 만들고 대응된 3×20-시드 개입을 실행하였다. 분석 결과, 레버들은 대체로 분리 가능함을 확인하였다. (1) 선택 → 다양성: Quality-Diversity (QD/MAP-Elites) 연산자는 절단 상위-k 대비 전략 혼합 엔트로피를 강건하게 높이고(쌍별 델타 엔트로피 +0.27 ~ +1.12 비트; 부호 검정 p<0.001; 신뢰구간 0 제외), 더 많은 전략 순환을 유지한다(위기 시 가장 강함: Delta=+0.070, p=0.0004). (2) 선택이 사실성을 개선하지는 않는다: 에이전트별 사실성 보상이 선택을 유도함을 증명할 수 있음에도 5-사실 사실성은 높아지지 않는다(Delta_5=-0.11, -0.08, +0.03; 유의하지 않음). (3) 미시구조 → 사실성: 반사적 가격 피드백을 활성화하면 사실성이 높아진다(Delta_5=+0.13, +0.20, +0.20; 위기/강세장 p<0.05, 모든 신뢰구간 양수). (4) 행동 → 취약성: 행동 바이어스를 증폭시키면 게놈 취약성 대리 지표가 상승하고(Delta=+10.5, +11.1, +14.4; 강세장 p<0.001, 모든 신뢰구간 양수), 사실성은 변화가 없다. 나머지 메커니즘—합의 네트워크 토폴로지—은 강건한 효과를 보이지 않는다(정직한 귀무가설). 이 연구의 기여는 분해에 있다: 단일 메커니즘 스윕에서 각 메커니즘은 다양성, 사실성, 취약성에 대해 대략적으로 독립적인 제어 레버로 작동한다.
영어 "go"의 과거형이 겉보기에 관련 없는 "went"인 이유는 무엇인가? 이러한 교체 현상은 언어에서 빈번하게 발생한다. 이들은 의사소통이나 학습 가능성을 돕지 않음에도 불구하고 수세기 또는 수천 년 동안 지속될 수 있다. 우리는 형태론적 어간 및 굴절 교체의 출현에 대한 다중 에이전트 시뮬레이션을 제시한다. 대체 형태는 음운론적 변화를 통해, 또는 "go/went"의 경우처럼 인구의 일부 하위 집단과 관련된 어휘적 대안에서 발생한다. 에이전트가 다른 에이전트가 단어의 패러다임 슬롯(예: go의 과거형)에 대해 새로운 형태를 사용하는 것을 '듣게' 되면, 일정 확률로 해당 형태를 채택하며, 이를 동일한 원래 형태를 공유하는 패러다임의 다른 슬롯으로 사용을 확장할 수 있다. 따라서 대체 형태는 인구 집단 전체로 퍼져나가 어간 또는 굴절 표지 교체형으로 고착화될 수 있다. 이전의 많은 계산 연구와 달리, 우리 시스템은 자연스러운 어휘 형태, 현실적인 음운론적 규칙, 수백 또는 수천 개의 항목을 포함하는 어휘집, 그리고 수십 또는 수백 명 규모의 에이전트 집단을 지원한다. 이 시스템은 여러 네트워크 토폴로지, 확산 패턴 및 에이전트 채택 정책을 지원한다. 이러한 시뮬레이션의 한 가지 문제는 평가이다. 즉, 결과로 나온 형태론이 실제 언어의 형태론과 비교하여 얼마나 현실적인가 하는 것이다. 우리는 두 역사 언어학자 간의 토론을 모델링하는 새로운 대규모 언어 모델(LLM) 기반 시스템인 AI Historical Linguist를 소개한다. 우리는 이를 사용하여 실제 언어 형태론 집합, 위장된 형태론, 그리고 실험적으로 진화된 형태론을 비교한다. 결과에 따르면 더 그럴듯한 형태론을 유도하는 요인 중에는 무척도(scale-free) 사회 네트워크와 형태의 무작위 베르누이 채택이 포함된다. 또한 실제로 기록된 역사적 변화를 모델링한 세 가지 사례 연구를 제시하여, 역사가 달랐다면 어떤 일이 일어났을지 테스트할 수 있게 한다. 모든 코드와 데이터가 공개된다.