알고리즘적 아첨(algorithmic sycophancy)과 AI가 유발하는 망상적 나선화 맥락에서 사용자의 인지 궤적을 추적하기 위한 엄밀하고 체계적인 수학적 프레임워크를 제안한다. 동역학계 이론과 확률 미분방정식의 도구를 사용하여, 숨겨진 아첨 특성을 지닌 AI 챗봇과 상호작용할 때 개인이 어떻게 인식하고, 해석하고, 믿음을 갱신하는지 탐구한다. 진화하는 확신을 연속 log-odds 상태 변수로 취급하고, 이를 확률 미분방정식에 결합하여 다중 계곡 위치 에너지 지형을 탐색하도록 모델링한다. 분석 결과, 믿음 역학의 안정성과 경직성을 지배하는 여러 중요한 관찰을 밝힌다. 개인의 기준선 사전 인식이 임계값을 넘는 아첨적 피드백에 의해 체계적으로 강화됨을 보인다. 이 과정에서 지각적 위치 에너지 지형은 구조적 상전이를 겪으며, 기준선 상태에 존재하는 미세한 초기 기울기를 심각하게 심화시켜 지형을 변형하고, 개인을 흔들리지 않는 자기 강화적 망상적 확신에 가두는 깊고 매우 탄력적인 끌개 분지를 형성한다. 마지막으로, 진정한 외부 정보가 이러한 경직된 상태를 성공적으로 이겨낼 수 있음을 보인다. 유입되는 증거가 내부 피드백 장벽을 넘을 만큼 강하고 진정성이 충분하다면, 아첨으로 인한 구조적 비대칭을 교정하고 지각 역전을 유도하여 객관적 믿음 상태를 성공적으로 복원할 수 있다.
정책 변화부터 과학적 돌파구에 이르기까지 사건에 대응하여 사회적 신념이 어떻게 진화하는지 이해하고 예측하는 것은 사회과학의 근본적인 과제입니다. 대규모 언어 모델(LLM)의 상식 지식과 사회적 지능을 바탕으로, 우리는 다음 질문을 던집니다: LLM이 사회적 사건 이후 사회적 신념의 역학을 모델링할 수 있는가? 본 연구에서는 주요 사건에 대응하여 사회적 신념이 어떻게 진화하는지 포착하도록 설계된 일반적인 프레임워크인 사회적 세계 모델(Social World Model, SWM) 개념을 소개합니다. SWM은 사회 데이터에서 시간적 패턴을 마이닝하고 증거 하한(evidence lower bound)을 최적화하여 사회적 신념의 상태 전이 함수(state-transition functions)를 학습하며, 이 과정에서 사건과 신념 변화를 연결하는 명시적인 인간 주석이나 비용이 많이 드는 인구 조사 데이터가 필요하지 않습니다. SWM을 평가하기 위해 실제 예측 시장(prediction markets)인 Kalshi와 Polymarket에서 파생된 벤치마크인 SWM-bench를 소개합니다. SWM-bench는 정치, 금융, 암호화폐 등 다양한 도메인에 걸친 사회적 신념 예측 작업을 위한 1만 2천 개 이상의 데이터 포인트를 포함합니다. 실험 결과, SWM은 시계열 파운데이션 모델(time-series foundation models)을 크게 능가하여 Kalshi 데이터에서 최첨단(state-of-the-art) 성능을 달성하고 Polymarket 데이터에서도 경쟁력 있는 성능을 보여주었으며, 사회적 신념 역학의 근본적인 메커니즘에 대한 해석 가능한 통찰을 제공합니다.