Onderzoekers hebben een simulatiekader ontwikkeld waarbij kunstmatige intelligentie-agenten, gebaseerd op grote taalmodellen (LLM's), in staat zijn om complexe sociale dynamieken en vriendschappen te ontwikkelen die lijken op menselijk online gedrag.
In een recent wetenschappelijk onderzoek is onderzocht of LLM-agenten de genuanceerde sociale interacties die kenmerkend zijn voor menselijke online gemeenschappen kunnen reproduceren. Centraal in dit onderzoek staan fenomenen zoals homofilie (de neiging om mensen te zoeken die op onszelf lijken), wederkerigheid en sociale validatie. De resultaten suggereren dat AI-agenten, mits voorzien van de juiste mechanismen, stabiele interactiepatronen kunnen vormen en sociale banden kunnen ontwikkelen die spiegelen aan echte digitale netwerken.
Een framework voor sociale simulatie
Om dit te bereiken hebben onderzoekers Philipp J. Schneider, Lin Tian en Marian-Andrei Rizoiu een multi-agent LLM-simulatieframework ontworpen. In deze omgeving interageren agenten herhaaldelijk met elkaar, waarbij ze elkaars gedrag evalueren en hun eigen aanpak aanpassen. Volgens de publicatie op arxiv.org gebeurt deze aanpassing via in-context learning, een proces dat wordt versneld door een specifiek 'coaching-signaal'.
Het doel van dit framework is om te begrijpen welke geheugen- en leermechanismen noodzakelijk zijn om emergent sociaal gedrag te stimuleren. Door agenten niet simpelweg instructies te geven, maar hen te laten leren van hun interacties, ontstaat er een dynamiek waarbij sociale structuren organisch groeien uit individuele beslissingen.
Gedragsmatige beloningen en menselijke motivatie
Een cruciaal onderdeel van het onderzoek is de implementatie van gedragsmatige beloningsfuncties. Deze functies zijn ontworpen om de kernmotivaties van menselijke gebruikers in online omgevingen na te bootsen. De onderzoekers richtten zich hierbij op vijf hoofddrivers van online engagement:
- Sociale interactie
- Het zoeken naar informatie
- Zelfpresentatie
- Coördinatie met anderen
- Het bieden van emotionele steun
Door deze beloningen te koppelen aan de doelstellingen van de agenten, konden de onderzoekers observeren hoe netwerkstructuren en groepsformaties ontstaan. De data uit de experimenten tonen aan dat de 'gecoachte' LLM-agenten in staat zijn om netwerkstructuren te creëren die sterke gelijkenissen vertonen met de eigenschappen van menselijke online gemeenschappen.
Wetenschappelijke context en toepassingen
Het onderzoek, dat werd gepresenteerd tijdens de , dient als een gestructureerde testomgeving om collectieve dynamieken in populaties van AI-agenten te bestuderen. Hiermee kunnen wetenschappers preciezer vaststellen waar kunstmatige agenten het menselijk sociale gedrag benaderen en waar zij er juist van afwijken.
Hoewel dit specifieke onderzoek zich richt op de theoretische en simulatie-aspecten van AI-socialisatie, past het in een bredere trend van technologische ontwikkeling waarbij AI steeds vaker wordt ingezet voor educatieve en sociale doeleinden. Zo streeft learning.google naar het gebruik van AI om nieuwsgierigheid te stimuleren en kennisopbouw te ondersteunen, wat aantoont dat de integratie van AI in menselijke leer- en sociale processen een breed veld van interesse is.
De publicatie van dit onderzoek, waarvan de laatste revisie op 21 juli 2026 verscheen via , biedt een fundamentele basis voor toekomstige studies naar de sociologie van kunstmatige intelligentie. Het bewijst dat sociale banden in digitale omgevingen niet enkel het resultaat zijn van menselijke emoties, maar kunnen worden gesimuleerd via geoptimaliseerde beloningssystemen en adaptieve leermodellen.