Digital Pantheon: LLM 에이전트를 이용한 연립 형성 시뮬레이션 및 감사
Digital Pantheon: Simulating and Auditing Coalition Formation with LLM Agents
정치 연립의 형성은 구체적인 정책 목표와 깊이 뿌리내린 이념적 신념 모두에 의해 추진되는 복잡한 협상이다. 대규모 언어 모델(LLM)은 계산 정치학(computational political science)에 새로운 가능성을 열어 주지만, 인간 피드백 강화학습(RLHF)을 통해 내재된 중립성 및 유용성 편향은 일관된 당파적 행동을 지속하는 것을 막는다. 우리는 지도 미세조정(SFT), 직접 선호 최적화(DPO), 검색-증강 생성(RAG)을 결합하여 사실적 그라운딩(grounding)과 이념적 정렬(alignment)을 조화시키는 다중 에이전트 프레임워크를 제안한다. DPO는 공격적인 당별 페르소나를 주입하고, 당별 RAG 파이프라인은 각 에이전트를 공식 정강에 제한한다. 우리는 2019년 플랑드르 선거에 이 프레임워크를 적용하고, 당파적 에이전트를 formateur가 중재하는 허브-앤-스poke 협상에 배치한다. 창발적(emergent) 협상을 해석 가능하게 하기 위해, 우리는 최종 합의의 모든 조항을 정강 출처까지 추적하고 다섯 가지 출처 상태로 분류하는 다층 정보 계보 토폴로지(Multi-Layered Information Lineage Topology, MILT)를 도입하고, 합의를 형성한 당을 식별하기 위해 추적 가능한 기여를 집계하는 연립 영향력 점수(Coalition Influence Score, CIS)를 제안하며, 각 시뮬레이션 조항을 역사적으로 채택된 연립 합의와 대조하여 벤치마킹하는 실세계 그라운딩 패스를 수행한다. 세 번의 독립 시뮬레이션에서 프레임워크는 안정적인 승자와 순위(N-VA가 CD&V와 Open Vld보다 앞서는)를 산출하며, 정강에 기반한 계보는 실세계 구현을 신뢰성 있게 예측하는 반면 환각(hallucination)된 내용은 그렇지 않다. 그 결과는 당 호환성과 formateur 중재 타협의 사전(ex-ante) 탐험을 위한 투명하고 확장 가능한 테스트베드가 된다.