Title: ElecTwit: A Framework for Studying Persuasion in Multi-Agent Social Systems
ArXiv ID: 2601.00994
발행일: 2026-01-02
저자: Michael Bao
📝 초록 (Abstract)
본 논문은 정치 선거 기간 동안 소셜 미디어 상의 상호작용을 모델링한 다중 에이전트 시뮬레이션 프레임워크인 ElecTwit을 소개한다. 기존 연구에서 흔히 사용되던 게임 기반 시뮬레이션의 한계를 극복하고 보다 현실적인 환경에서 실험을 수행함으로써, 다양한 대형 언어 모델(LLM)들이 25가지 특정 설득 기법을 포괄적으로 활용한다는 사실을 확인하였다. 모델별 설득 기법 사용 빈도와 전체 설득 성과의 차이는 모델 아키텍처와 학습 데이터의 차이가 현실 사회 시뮬레이션의 역학에 미치는 영향을 시사한다. 또한, “진실의 핵심” 메시지와 에이전트들이 집단적으로 서면 증명을 요구하는 “잉크 집착” 현상과 같은 독특한 현상도 관찰되었다. 본 연구는 실제 환경에서 설득형 LLM 에이전트를 평가하고 정렬(alignment) 문제와 위험한 결과를 방지하기 위한 기반을 제공한다. 코드 전체는 https://github.com/tcmmichaelb139/ai-electwit 에서 공개한다.
💡 논문 핵심 해설 (Deep Analysis)
ElecTwit이 제시하는 가장 큰 혁신은 설득 연구를 위한 실험 환경을 ‘게임’이라는 인위적 설정에서 벗어나 실제 소셜 미디어 플랫폼의 구조와 행태를 모사한 점이다. 이를 위해 저자들은 트위터와 유사한 게시·리트윗·팔로우 메커니즘을 구현하고, 정치적 선거라는 구체적 시나리오를 설정함으로써 에이전트 간의 정보 흐름, 의견 형성, 그리고 설득 전략의 전개 과정을 정밀하게 관찰할 수 있었다. 특히 25가지 설득 기법을 사전 정의하고, 각 LLM이 이를 어떻게 선택·조합하는지를 정량화한 방법론은 설득 기술의 ‘레시피’를 비교 분석하는 데 유용하다.
실험 결과에서 눈에 띄는 점은 대부분의 최신 LLM이 기존 연구에서 보고된 것보다 훨씬 다양한 설득 기법을 사용한다는 것이다. 이는 모델이 훈련 데이터에서 얻은 인간‑언어 상호작용 패턴을 보다 풍부하게 내재하고 있음을 의미한다. 그러나 모델별 사용 빈도와 설득 성공률에 차이가 나타난 점은, 아키텍처(예: Transformer 깊이, 파라미터 규모)와 훈련 코퍼스(예: 정치·사회 텍스트 비중)의 차이가 설득 행동에 직접적인 영향을 미친다는 가설을 뒷받침한다.
‘진실의 핵심(kernel of truth)’ 메시지는 에이전트가 완전한 허위 정보를 전달하기보다 사실의 일부분을 포함시켜 신뢰성을 높이는 전략으로 해석될 수 있다. 이는 인간 설득 이론에서 ‘부분 진실’이 설득력을 강화한다는 기존 연구와 일치한다. 반면 ‘잉크(ink) 집착’ 현상은 에이전트들이 서면 증거를 요구하며 대화가 점점 형식화되는 과정을 보여준다. 이는 소셜 미디어 상에서 ‘증거 요구’가 집단 행동을 촉진하거나 논쟁을 격화시키는 메커니즘을 시뮬레이션한 것으로, 실제 정치 캠페인에서도 유사한 현상이 보고된 바 있다.
한계점으로는 시뮬레이션이 실제 사용자 행동을 완전히 재현하기 어렵다는 점을 들 수 있다. 예를 들어, 인간 사용자는 감정적 피로, 사회적 관계망, 외부 미디어 노출 등 복합적인 요인에 의해 설득에 반응한다. ElecTwit은 이러한 다차원적 변수들을 일부 모델링했지만, 정교한 심리적 요인이나 오프라인 이벤트와의 상호작용은 아직 포함되지 않았다. 또한, 코드와 데이터가 공개되어 있어 재현 가능성은 높지만, 실험에 사용된 LLM의 버전 및 프롬프트 설계가 상세히 기술되지 않아 다른 연구자가 동일한 조건을 정확히 재현하기 어려울 수 있다.
향후 연구 방향은 (1) 인간 사용자와의 하이브리드 실험을 통해 시뮬레이션 결과를 검증하고, (2) 설득 기법 외에 감정 표현, 문화적 맥락 등을 추가하여 에이전트의 행동 다양성을 확대하며, (3) 정책 입안자와 플랫폼 운영자가 위험한 설득 시나리오를 사전에 탐지·완화할 수 있는 실시간 모니터링 도구로 ElecTwit을 확장하는 것이다. 이러한 발전은 LLM 기반 에이전트가 사회적 영향력을 행사할 때 발생할 수 있는 윤리적·안전성 문제를 사전에 차단하는 데 중요한 역할을 할 것으로 기대된다.
📄 논문 본문 발췌 (Excerpt)
## ElecTwit: 프레임워크 연구 - 다중 에이전트 사회 시스템에서 설득의 역할
요약:
본 논문은 대규모 언어 모델(LLM)의 설득 역학을 탐구하기 위한 다중 에이전트 사회 시뮬레이션 프레임워크인 ElecTwit을 소개한다. 최근 LLM은 다양한 작업에서 인상적인 성능을 보여주었지만, 일관성 없는 출력, 편향, 허위 정보 생성 등의 한계도 가지고 있다. 본 연구는 이러한 한계를 극복하고 LLM의 설득 능력을 심층적으로 분석하기 위해 ElecTwit이라는 환경을 구축했다.
ElecTwit은 트위터와 유사한 소셜 미디어 플랫폼을 모방하며, 좋아요, 게시물 작성, 답글 달기 등의 기능을 제공한다. 이 프레임워크는 현실적인 에이전트 상호작용을 촉진하고 LLM의 설득 전략을 평가하기 위한 보다 정확한 환경을 제공한다. 연구에서는 특히 정치 선거 시나리오를 사용하여 신뢰, 기만, 명성, 설득 등 다양한 측면을 조사했다.
주요 내용:
ElecTwit 플랫폼: ElecTwit은 트위터와 유사한 소셜 미디어 플랫폼을 모방하며, LLM의 설득 능력을 평가하기 위한 환경을 제공한다. 게시물과 답글에는 280자 제한이 적용되어 간결하고 효과적인 메시지 생성을 장려한다. 각 에이전트는 일정한 “행동 확률"을 가지며, 하루에 9회 상호작용할 수 있다.
에이전트 역할: ElecTwit에서는 투표자, 후보, 이벤트 생성기 등 세 가지 에이전트 역할을 수행한다. 투표자와 후보는 게시물 작성, 답글 달기, 좋아요 등을 통해 상호작용하며, 이벤트 생성기는 뉴스나 스캔들을 생성하여 에이전트의 반응을 유도한다.
배경 및 모델: 연구에서는 다양한 LLM 모델 8개(공개 및 비공개)를 사용하여 투표자 에이전트를 구현했다. 후보 에이전트에는 GPT-4.1-mini, Gemini 2.5 Flash, Claude 3.5 Haiku 등 세 가지 모델이 사용되었다. 이벤트 생성기로는 Google/Gemini 2.5 Flash가 사용되었다. 에이전트 배경은 정치 성향과 “빅 5” 성격 특성을 기반으로 생성되어 다양한 행동 양식을 유도한다.
실험 설계: 실험은 두 그룹으로 나뉘어 진행되었다. ‘같은 시드’ 그룹에서는 동일한 시드를 사용하여 후보 LLM을 반복적으로 사용하며 모델 간의 비교를 용이하게 했다. ‘다양한 시드’ 그룹에서는 각 시도에 대해 다른 모델 조합을 사용하여 투표자 LLM의 행동과 영향력을 분석했다.
결과: ElecTwit을 통해 다음과 같은 결과를 얻었다:
Gemini 2.5 Flash는 4번의 시도 중 4번, GPT 4.1-mini는 2번, Claude 3.5 Haiku는 0번으로 후보 선거에 승리했다.
배경은 모델의 행동에 미치는 영향이 적거나 없는 것으로 나타났다.
Gemini 2.5 Flash와 GPT 4.1-mini는 다양한 시도에서 비슷한 성적을 보였다.
모든 모델은 다양한 상호작용 유형을 사용했지만, Gemini 2.5 Flash는 가장 많은 상호작용을 수행했다.
설득 기술: 연구에서는 독립적인 LLM을 사용하여 ElecTwit에서 생성된 메시지를 분석하고 25가지 설득 기술을 분류했다. ‘신뢰도 호소’, ‘감정 호소’, ‘논리 호소’ 등이 가장 흔하게 사용되었다.
결론:
ElecTwit은 LLM의 설득 능력을 심층적으로 분석하기 위한 강력한 프레임워크를 제공한다. 이 연구는 LLM이 정치 환경에서 어떻게 상호작용하고, 어떤 설득 기술을 사용하는지 밝혀낸다. 향후 연구에서는 다양한 시나리오와 모델 조합을 통해 ElecTwit을 더욱 확장하고 개선할 계획이다.
