Abstract(초록 번역)

대규모 언어 모델은 ‘사고의 연쇄(chain-of-thought)’ 프롬프팅이나 ‘성찰(reflection)’과 같은 추론 기법을 통해 뛰어난 문제 해결 능력을 보여준다. 그러나 이러한 추론 능력이 협력적 상황에서 효과적인 결정을 내리는 것과 같은 사회적 지능의 형태로까지 확장되는지는 여전히 불분명하다. 본 연구는 사회적 딜레마를 시뮬레이션하는 경제 게임을 활용하여 이 문제를 조사했다. 먼저, 공공재 게임(Public Goods Game)에서 GPT-4o에 사고의 연쇄 및 반성 프롬프팅을 적용한다. 이어서 6가지 협력 및 처벌 게임에서 여러 상용 모델을 평가하며, 명시적인 추론 메커니즘이 포함된 모델과 포함되지 않은 모델을 비교한다. 그 결과, 추론 모델은 일관되게 협력과 규범 준수를 감소시키고 개인적 합리성을 선호하는 것으로 나타났다. 반복적인 상호작용에서 추론 에이전트가 더 많은 그룹은 집단적 이익이 더 낮았다. 이러한 행동은 인간의 “자발적인 기부와 계산된 탐욕”이라는 패턴을 반영한다. 이러한 연구 결과는 집단 행동의 문제를 강화하기보다는 해결하는 데 기여하기 위해, 추론 기능과 더불어 사회적 지능을 통합한 대규모 언어 모델(LLM) 아키텍처의 필요성을 강조한다.

Problem Statement(문제 인식)

scope description, measurable goal

Method(실험 및 연구 환경 설정)

dataset description, environment, procedure

Results(정량적 결과 정리)

metric values, interpretation.

Threats To Validity(한계점과 연구 유효성 검토)

assumptions list, potential biases

Reproducibility(재현성을 위한 정리)

  • Environment:
  • Data:
  • Commands:

References