LLM(대규모 언어 모델) 기반 멀티 에이전트 시뮬레이션이 사회적 상호작용과 집단 여론 역학 연구에 유용한 도구로 주목받는 가운데, 기존 대화 시뮬레이션 프레임워크가 관찰 가능한 발언 교환이나 집계된 출력에만 집중한다는 한계를 극복하는 새로운 접근법이 제시됐다. 연구팀은 에이전트가 침묵하는 이유, 발화 의도, 공개 발언 사이의 내부 평가 과정을 분석하기 어렵다는 문제를 지적하며 ‘TBS(Think-Before-Speak)’ 프레임워크를 공개했다.
TBS는 간격(interval) 기반 멀티 에이전트 시뮬레이션 프레임워크로, 에이전트의 사적 추론과 공개 발화 생성을 분리한다. 각 간격마다 모든 에이전트가 공유 대화 이력과 자신의 기억을 바탕으로 구조화된 내부 상태를 갱신한다. 이 내부 상태에는 부조화(dissonance) 관련 평가, 지각된 여론 분위기, 지각된 고립 위험, 응답 전략, 발화 의향이 포함된다. 오케스트레이터는 경쟁하는 발화 의도들을 조율해 하나의 발언을 공개 대화에 확정함으로써 내부 평가와 공개 상호작용이 시간에 따라 함께 진화하도록 한다.
기후 관련 정책 이슈를 주제로 한 가상 타운홀 토론 시뮬레이션에서 TBS를 평가한 결과, 일관된 내부 상태 궤적이 생성됐으며 이 궤적이 발언 배분, 침묵, 기억 조건에 따라 체계적으로 달라졌다. 부조화 관련 평가는 에이전트의 발화 의향을 높이는 반면, 침묵 압박 평가는 이를 낮추는 것으로 나타났다. 발화 의도가 형성된 이후의 공개 발언은 주로 발언 배분 규칙에 의해 결정됐다. 연구팀은 이 결과를 바탕으로 TBS가 내부 평가에서 공개 발언에 이르는 경로를 관찰·분석 가능하게 함으로써 메커니즘에 민감한 사회 시뮬레이션을 지원한다고 결론지었다.
AI 에이전트를 활용한 사회과학 시뮬레이션에 대한 관심이 높아지는 가운데, 에이전트의 내부 의사결정 과정을 투명하게 만드는 연구 방향은 여론 형성 메커니즘과 침묵의 나선(spiral of silence) 등 사회 현상 분석에 새로운 가능성을 열 것으로 기대된다.
