HiSim ROE —— 同一个内核上的 LLM + ABM 混合人群

studies/hisim_roe/ · reference: true · Path B（在核心内核上从零构建）

在一个 Twitter 式平台上，当「最高法院推翻 Roe v. Wade」这条新闻触发之后， 由 LLM 驱动的核心用户与由 ABM 驱动的普通用户，各自的态度如何演化—— 以及，真正推动宏观舆论的是哪一群人？

这个案例是混合人群（hybrid population）的样板：两个 cohort 共享同一个 环境、同一份面板、同一套指标，却跑着完全不同的行为函数 f。它同时也是把一个 外部模拟器（HiSim）原生移植到核心接口上、而不是包装它的样板。

P / E / B

	是什么	来自哪里
P	20 个 agent：8 个 core-*（LLM 角色扮演）+ 12 个 ord-*（有界信心规则）。态度按 [-1, 1] 均匀初始化，在 seed: 42 下确定可复现。交互结构为 explicit_network——一个只覆盖核心用户的 16 条有向边环；propagation 为 contagion。	population/population.json（materialized_count: 20）
E	3 个层、1 个 scheduled event、1 条 broadcast（见下表）。provider 为 hisim.twitter_env：n_core: 8、n_ord: 12、alpha: 0.3、bc_bound: 0.1、target: "the protection of Abortion Rights"。	environment/environment.json
B	decision hisim.hybrid_decision（mode: llm、gpt-4o-mini）。核心用户角色扮演并行动，其态度随后由所发推文「镜像」回写；普通用户跑 Deffuant 规则。	model.py

layer	modality	scope	dynamics	内容
tweet_feed	information	local	endogenous	受众时间线上的近期推文
trigger_news	information	macro	scheduled	线下事件新闻广播
peer_opinion	physical	macro	endogenous	全局信心带内的同伴态度（BCM）

第 2 步：一个 scheduled event 写入 trigger_news.content，同时广播 N1 （"News- a major event concerning the protection of Abortion Rights occurs."） 以 audience: "all"、ttl 4 发出。

两条行为分支的确切形态：

• 核心（LLM） —— 每个核心用户每步一次角色扮演调用，产出一个 action 与一个 stance；该 agent 的态度被重写为 sign(stance) · |sentiment|。全程观察到的 action kind：retweet 18 次、post 10 次、like 2 次、do_nothing 2 次。
• 普通（ABM） —— Deffuant 有界信心更新 new = x + alpha · (peer − x)， 仅在 |peer − x| < bc_bound 时生效（alpha 0.3、bc_bound 0.1）。全程 48 次 update_opinion，即 12 人 × 4 个决策步。

LLM 分支是方差注入源（态度可以跳变，甚至反号）；规则分支是收缩算子 （只会把邻居拉近）。谁占上风是个经验问题——本研究给出了答案。

一步是什么，跑多久

一步 = 平台上的一个回合：核心用户看到自己的时间线与仍然生效的广播并行动， 普通用户向信心带内的同伴同化，随后在全部 20 个 agent 上计算指标。 n_steps: 4、seed: 42，因此共 5 行指标（t=0 + 4 个决策步）。

本研究每步只跑一轮交互

仓库里的 simulation/simulation.json 是 interaction_rounds: 1——尽管 study 的 demonstrates 字段提到了 multi-round messaging。交付与实际运行 的都是单轮。 若你想在一步之内做多次消息往返，那是一处配置改动，见 多轮交互。

结果

step	bias	diversity	mean_core	mean_ordinary	n_active	n_post
0	-0.2223	0.32156	-0.1112	-0.2964	0	0
1	-0.1170	0.22357	+0.1559	-0.2990	6	6
2（news）	-0.1474	0.19541	+0.0885	-0.3047	8	7
3	-0.1543	0.19324	+0.0749	-0.3070	8	7
4	-0.1590	0.19076	+0.0653	-0.3085	8	8

全程净变化：bias +0.0633、diversity −0.1308（群体收敛）。两个 cohort 明显分道：核心用户移动 +0.1765，而普通用户只移动了 −0.0121。

真正有启发的细节是移动发生在什么时候。bias 全程最大的单步变化是第 1 步的 +0.1053——发生在新闻触发之前。而新闻那一步本身只让 bias 变动 −0.0304；核心活跃数在第 1 步就已有 6/8，第 2 步才满格 8/8。在这个规模下， 主导宏观曲线的是 LLM cohort 自身的表达，而不是外生冲击：议题从一开始就在核心 用户的 prompt 里，他们立即开始表态，一次性新闻只是叠加在已经很高的活跃度之上， 边际效应很小。

第二条读数是它的镜像：高活跃度不等于大幅移动。核心活跃度从第 2 步起就满格， 但 bias 从第 2 步到第 4 步几乎横盘——因为 8 个核心态度正负相消，而 12 个普通 用户（占面板 60%，期末 -0.3085）几乎不动，把宏观 bias 牢牢锚在其初始水平附近。

Grounding

4 条 sourced 事实、3 条声明的假设、2 条建模参考。

条目	basis	作用
Dobbs v. Jackson 于 2022-06-24 推翻 Roe（SCOTUSblog）	sourced	trigger_news 所代表的真实外生冲击
Pew：判决前约 61% 认为堕胎在全部/多数情形下应合法	sourced	均匀初始化刻意不去使用的真实先验
Pew 判决后：57% 反对 / 41% 支持，n = 6,174	sourced	demo 的 bias 不可被读作在预测的那个净态度
HiSim 官方 ROE 配置：1000 个普通 agent、alpha 0.3、14 回合	sourced	本展示所缩减自的参考规模
用 8 核心 + 12 普通 × 4 步，替代 1000 × 14	assumed	以 demo 成本跑通完整真实 LLM 路径；这些数量本身就是 adjustable_params
均匀 [-1, 1] 初始态度，而非 Pew 偏斜先验	assumed	HiSim 真实 ROE 用户数据未随仓库分发，真实数据路径跑不了
att 镜像中用 TextBlob polarity 充当情感函数	assumed	轻量替身，忠于「符号 × 强度」的镜像形状

建模参考：Mou et al. (2024)，Unveiling the Truth and Facilitating Change （HiSim，ACL 2024 Findings）——本研究所移植的论文；以及 Deffuant, Neau, Amblard & Weisbuch (2000)，Mixing beliefs among interacting agents —— 普通 cohort 背后的有界信心规则。

因为初始态度是均匀的而非按 Pew 校准的，bias 的绝对水平不承载任何民调 主张。可迁移的是相对机制：cohort 分道、diversity 的收敛、以及冲击的时序。

可以 fork 什么

参数	它打开的问题
n_core / n_ord	8 : 12 时 LLM cohort 占上风。把比例推向 HiSim 的 1000 个普通用户，沉默多数应当重新夺回主导权——交叉点出现在哪个配比？
alpha	沉默多数同化的快慢，也就是这个锚有多「硬」。
bc_bound	0.1 偏窄。扫到 ~0.5 可看到经典的有界信心相变（分裂→共识），并检验 LLM cohort 是否移动了临界点。
news schedule	把新闻挪到第 1 步，或加第二波冲击，检验在议题尚未饱和时 bias 是否出现真正的二次拐点。
target	同一套混合机制，换一个议题。

报告自己给出的第一条建议是做一次 parity fork：用确定性的 scripted 决策替换 LLM 跑同一个研究，量化角色扮演相对规则桩是否引入系统性偏移。以这种方式从零 构建的结构与机制，见从零构建 Study（Path B）。