본 논문은 대규모 언어 모델(LLM)의 설득력이 1:1 상호작용에서 두드러지지만, 사용자 간의 상호 연결과 복잡한 여론 동향이 존재하는 소셜 네트워크 내 영향력은 아직 충분히 연구되지 않았다는 점을 지적합니다. 연구 질문은 "LLM이 소셜 네트워크에서 사용자 참여를 극대화하는 의미있는 콘텐츠를 생성할 수 있는가?" 입니다. 이에, 논문에서는 강화 학습과 시뮬레이션된 피드백을 사용하는 파이프라인을 제안합니다. 소셜 네트워크의 반응(보상)은 공식적인 참여 모델을 통해 시뮬레이션되어 실험의 시간적 비용과 복잡성을 피하고 LLM과 네트워크 간 효율적인 피드백 루프를 가능하게 합니다. 또한, LLM의 네트워크 내 위치 및 특정 주제에 대한 의견 분포와 같은 내생적 요소를 제어할 수 있습니다. 이 접근 방식은 기저 네트워크의 의견 분포에 적응적이며 플러그 앤 플레이 구성 요소로 포함된 참여 모델의 세부 사항과 무관합니다. 이러한 유연성은 더욱 복잡한 참여 작업과 계산 사회 과학의 개입에 적합합니다. 본 연구는 제안된 프레임워크를 사용하여 다양한 조건 하에서 소셜 참여 생성에 대한 LLM의 성능을 분석하고, 이 작업에서 LLM의 잠재력을 보여줍니다. 실험 코드는 공개적으로 제공됩니다.
