대규모 언어 모델(LLM)이 광범위한 웹 데이터 사전 학습을 통해 인간 행동 시뮬레이션에 내재된 논리와 패턴을 캡슐화할 수 있는 잠재력을 보여주지만, 사회 시뮬레이션에서의 LLM 능력의 한계는 불분명하다. 본 논문에서는 LLM 기반 에이전트를 사용하여 인간 행동 시뮬레이션을 기반으로 인용 네트워크를 생성하는 CiteAgent 프레임워크를 소개한다. CiteAgent는 실제 인용 네트워크에서 지수 분포, 인용 왜곡, 지름 축소와 같은 주요 현상을 성공적으로 포착한다. 이러한 현실적인 시뮬레이션을 기반으로 LLM-SE (LLM 기반 설문조사 실험) 및 LLM-LE (LLM 기반 실험실 실험)라는 두 가지 LLM 기반 사회 과학 연구 패러다임을 확립하여 인용 네트워크 현상에 대한 엄격한 분석을 가능하게 하고 기존 이론을 검증하고 도전한다. 또한, 이상적인 사회 실험을 통해 과학 연구의 범위를 확장하고, 시뮬레이션 실험 결과가 실제 학술 환경에 대한 귀중한 통찰력을 제공한다.
시사점, 한계점
•
LLM을 활용한 CiteAgent 프레임워크를 통해 실제 인용 네트워크의 주요 현상들을 성공적으로 시뮬레이션.
•
LLM-SE 및 LLM-LE와 같은 새로운 연구 패러다임을 제시하여 사회 과학 연구의 새로운 가능성을 열었음.
•
기존 과학 연구의 범위를 확장하고 현실적인 학술 환경에 대한 통찰력을 제공함.
•
LLM의 사회 시뮬레이션 능력을 탐구하는 초기 단계이며, 실제 사회 현상을 완벽하게 재현하는 데는 한계가 있을 수 있음.
