RebuttalAgent: Strategic Persuasion in Academic Rebuttal via Theory of Mind
Hong Kong University of Science and Technology(香港科技大学)
RebuttalAgent通过心理理论框架实现学术反驳的战略说服,利用训练数据和强化学习提升反驳效果,显著优于现有模型。
2026-02-25 cs.AI cs.CL
Understanding and Reducing Misalignment in Persuasion Optimization
Microsoft Research(微软研究院);Princeton University(普林斯顿大学)
本研究探究RL说服训练对模型失配策略使用的影响,发现仅优化接收者信念会使失配策略使用量显著增加,提出结合对齐策略引导与失配惩罚的方法可缓解该问题,为评估和减少此类失配提供了测试平台与路径。
2026-10-14 cs.AI cs.LG
Will you donate money to a chatbot? The effect of chatbot anthropomorphic features and persuasion strategies on willingness to donate
Boston University(波士顿大学);University of Minnesota(明尼苏达大学)
通过2×2被试间实验,研究揭示拟人化聊天机器人虽引发感知拟人化但降低捐赠意愿,而非拟人化搭配逻辑说服策略更有效,为AI慈善交互设计提供依据。
2024-12-28 cs.AI cs.CY cs.HC
Numerical Abstract Persuasion Argumentation for Expressing Concurrent Multi-Agent Negotiations
Nagoya Institute of Technology(名古屋工业大学)
由2个代理e1和e2进行的协商过程可以被例如e1和e3之间的另一协商过程交织。交织可以改变在第一协商过程开始时假设的资源分配。现有的基于辩论的谈判的建议主要集中在两个代理人的双边谈判,但很少对并发的多代理人的谈判。为了填补这一空白,我们提出了一个新的论证理论,其发展的基础上抽象的说服论证(这是一个抽象的论证形式主义与动态关系)。它的数值信息和机制的动态关系的成员之间的握手,我们表明,扩展的理论非常适合并发多代理人的谈判稀缺资源。
2020-01-23 cs.AI cs.MA
AI Agents are Vulnerable to Radicalization
Observatory on Social Media, Indiana University Bloomington(印第安纳大学伯明顿分校社交媒体观察站);Emerging Media Studies Division, College of Communication, Boston University(波士顿大学传播学院新兴媒体研究部)
本研究模拟AI智能体对话,发现共鸣和说服两种机制均能使其激进化,且共鸣效应更强,揭示个性化AI智能体及多智能体系统的潜在脆弱性。
2026-10-01 cs.AI cs.CY
It's a TRAP! Task-Redirecting Agent Persuasion Benchmark for Web Agents
University of Cambridge(剑桥大学)
提出TRAP基准,评估大型语言模型驱动的网络代理在动态网页中易受提示注入攻击的程度,发现平均25%的任务中代理被重定向,揭示了心理驱动的系统漏洞。
2026-07-03 cs.AI cs.HC cs.MA
Reasoning or Rambling? Exploring the Effect of Thinking on Agent Persuasion
School of Computer Science, Shanghai Jiao Tong University(上海交通大学计算机科学学院);National University of Singapore(新加坡国立大学);Inner Mongolia Research Institute, Shanghai Jiao Tong University(上海交通大学内蒙古研究院)
本文对比通用LLM与LRM,发现推理对智能体说服能力存在二元性影响,还揭示其依赖表面线索的漏洞,提出提示级对抗性论点检测方法以提升鲁棒性。
2026-09-01 cs.AI cs.CL
Is Two Better than One? Effects of Multiple Agents on User Persuasion
Sorbonne Université(索邦大学);University of Dundee(邓迪大学);CNRS(法国国家科学研究中心)
虚拟人需要有说服力,以促进人类用户的行为改变。虽然一些研究集中在理解影响说服程度的众多方面,但大多数研究仅限于二元互动。在本文中,我们提出了一个评估研究的重点是了解多个代理对用户的说服力的影响。除了性别和地位(权威和同行),我们还研究了代理人所采用的焦点类型,即,用户导向的代理旨在通过直接寻址用户来说服,而代理旨在通过在讨论中引入另一代理来间接说服作为观察者的用户。参与者被随机分配到12个条件中的一个,并由一个或几个虚拟代理人提供有说服力的信息。采用问卷调查的方式测量了被试的人际态度、可信度和说服力。结果表明,可信度正影响说服。总体而言,多代理设置,无论关注的焦点,比单一代理设置更有说服力。虽然,参与者青睐用户导向的设置,并报告说,它是有说服力的,并在代理的信任程度增加,说服分数的实际变化反映了替代设置是最有效的诱导行为改变。除此之外,研究还发现,权威代理人最有说服力。
2019-04-10 cs.AI cs.HC
When Persuasion Overrides Truth in Multi-Agent LLM Debates: Introducing a Confidence-Weighted Persuasion Override Rate (CW-POR)
本文研究多智能体LLM辩论中说服力凌驾真相的风险,提出置信度加权说服覆盖率(CW-POR)指标,通过TruthfulQA实验发现较小模型也能以高置信度说服评判者接受虚假信息,凸显了稳健校准与对抗性测试的必要性。
2025-04-01 cs.AI cs.CL
MADS: Multi-Agent Dialogue Simulation for Diverse Persuasion Data Generation
Baidu Inc(百度公司)
提出MADS多智能体对话模拟框架,通过用户、对话和优化三智能体协作生成多样化说服数据,无需人工标注,并在真实营销场景中将小模型自然流量转化率提升22.4%。
2026-09-10 cs.AI cs.CL cs.CY
Strategic Persuasion with Trait-Conditioned Multi-Agent Systems for Iterative Legal Argumentation
Aleph Alpha Research(Aleph Alpha研究)
提出战略法庭框架,通过特质条件化的大语言模型智能体模拟多轮法律辩论,发现异质团队表现更优,并引入强化学习特质编排器动态优化辩护策略。
2026-05-25 cs.AI cs.CL cs.MA
ElecTwit: A Framework for Studying Persuasion in Multi-Agent Social Systems
Georgia Institute of Technology(佐治亚理工学院)
ElecTwit通过模拟政治选举中的社交媒体互动,研究多智能体系统中说服现象的影响因素及不同模型架构对说服动态的作用。
2026-01-02 cs.AI cs.CY
The Effect of Belief Boxes and Open-mindedness on Persuasion
Advancing Machine and Human Reasoning (AMHR) Lab, University of South Florida(先进机器与人类推理实验室,佛罗里达州立大学)
研究探讨信念盒子和开放心态对智能体说服力的影响,发现开放心态影响信念变化的接受度,而信念陈述影响对对立观点的抵抗能力。
2025-12-06 cs.AI cs.MA
Belief Cascades Drive Persuasion in LLM Agent Networks
University of California, Los Angeles(加州大学洛杉矶分校);Salesforce AI Research(Salesforce AI研究)
该研究构建受控测试平台,发现LLM智能体网络中说服动态受拓扑等因素影响,直接暴露可预测立场变化,需结合多维度数据评估多智能体说服。
2026-08-27 cs.AI cs.CL
DiPS: Dialogue Policy Selection for High-Stakes Persuasion Agents
University of Southern California(南加州大学)
针对高风险场景中说服策略需个性化的问题,提出DiPS框架,基于Q-learning动态选择说服策略,在火灾疏散模拟和真实人机交互中提升成功率。
2026-07-07 cs.AI cs.CL
ScamAgents: How AI Agents Can Simulate Human-Level Scam Calls
Rutgers University(罗格斯大学)
本文提出ScamAgent,一种基于LLM的多轮代理,能生成逼真诈骗电话脚本并模拟欺诈场景,揭示现有安全机制对代理威胁的不足,呼吁加强多轮安全审计和检测生成AI驱动的对话欺骗。
2025-12-09 cs.AI cs.CL cs.CR
I Want to Break Free! Persuasion and Anti-Social Behavior of LLMs in Multi-Agent Settings with Social Hierarchy
Fondazione Bruno Kessler(布鲁诺·克塞勒基金会);University of Trento(特伦托大学);Samaya AI(Samaya人工智能)
受斯坦福监狱实验启发,本研究在多智能体阶层环境中分析了 LLM 的说服与反社会行为,发现目标设定影响说服力,而智能体人格显著影响反社会行为,且该行为无需负面提示即可自发出现。
2025-11-04 cs.AI cs.CL cs.CY
Bayesian Persuasion with Externalities: Exploiting Agent Types
Bar-Ilan University(巴伊兰大学);University of Oxford(牛津大学)
研究具有外部性的贝叶斯劝说问题,针对智能体类型划分,提出LP公式在常数偏离下多项式时间求解最优信号策略,否则NP难。
2024-12-17 cs.AI cs.GT
Mitigating Manipulation and Enhancing Persuasion: A Reflective Multi-Agent Approach for Legal Argument Generation
Intelligent Systems Program University of Pittsburgh Pittsburgh Pennsylvania USA;Intelligent Systems Program University of Pittsburgh
本文提出反思式多智能体方法,通过迭代精炼生成法律论证,有效缓解操纵、增强说服,提升弃权准确性与事实利用。
2025-10-23 cs.AI cs.CL cs.LG
RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems
GSAI, Renmin University of China(清华大学);Department of Data Science, City University of Hong Kong(城市大学数据科学系)
RecNet通过自进化机制实现代理推荐系统的实时偏好传播,利用路由代理和反馈驱动优化提升偏好传播的准确性和持续性。
2026-01-29 cs.AI
Bayesian Promised Persuasion: Dynamic Forward-Looking Multiagent Delegation with Informational Burning
Electrical and Computer Engineering, New York University(纽约大学电气与计算机工程系)
本文研究了一个委托人将决策权委托给一组知情的代理人的动态机制设计问题。我们认为,主要的私人拥有完整的知识,状态转换和研究她如何可以使用她的私人观察,以支持激励相容性的代表团通过信息燃烧,一个过程中,我们称之为前瞻性的说服。代理机制制定中,代理人形成的信念层次结构,由于说服和发挥动态贝叶斯博弈。我们提出了一种新的随机机制,称为贝叶斯承诺的代表团(BPD),其中定期激励相容性是由未来代表团的说服和承诺保证。我们证明了在平稳马尔可夫完美贝叶斯均衡中,BPD可以实现与原始机制相同的最优社会福利。建立了一个类似启示原则的设计制度,以表明与信念层次的说服,可以充分表征相关的随机化的代理的本地BPD机制与说服作为一个直接推荐的未来的承诺。
2022-01-16 cs.AI cs.GT cs.SY
Agent-Specific Effects: A Causal Effect Propagation Analysis in Multi-Agent MDPs
Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);Saarland University(萨尔大学);University of Warwick(华威大学)
本文在多智能体MDP中提出智能体特定效应(ASE)以量化行动经其他智能体传播的因果效应,并给出其反事实版本cf-ASE的识别条件与采样估计算法,通过脓毒症管理等仿真环境验证其有效性。
2024-06-10 cs.AI
Persuasion Games using Large Language Models
Tata Consultancy Services(塔塔咨询服务公司);IIT Palakad(巴拉特理工学院帕拉卡德分校);IIT Madras(马德拉斯理工学院)
本文提出多智能体协作框架,通过主智能体说服对话与辅助智能体信息检索、策略制定及抵抗-说服映射,提升LLM在保险、银行和零售等领域影响用户决策的能力。
2024-09-02 cs.AI cs.CL
Moral Persuasion in Large Language Models: Evaluating Susceptibility and Ethical Alignment
University of Southern California(南加州大学);University of Warwick(华威大学);AI Office(人工智能办公室);European Commission(欧洲委员会)
本研究通过两个实验评估了大型语言模型对道德说服的易感性与伦理对齐能力,发现模型规模、场景复杂度及对话长度等因素会显著影响说服效果。
2024-11-18 cs.AI cs.CL
MAP Propagation Algorithm: Faster Learning with a Team of Reinforcement Learning Agents
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
几乎所有最先进的深度学习算法都依赖于误差反向传播,这在生物学上通常被认为是不可信的。训练人工神经网络的另一种方法是将网络中的每个单元视为强化学习代理,因此网络被视为一组代理。因此,所有单元都可以通过REINFORCE进行训练,这是一种由全局信号调制的局部学习规则,与生物学上观察到的突触可塑性形式更一致。虽然这种学习规则遵循期望的回报梯度,但它具有高方差,因此学习速度慢,使其无法训练深度网络。因此,我们提出了一种新的算法,称为MAP传播,以减少这种变化显着,同时保留本地属性的学习规则。实验表明,MAP传播可以解决常见的强化学习任务,在应用于演员-评论家网络时,速度与反向传播相似。因此,我们的工作允许在深度强化学习中更广泛地应用代理团队。
2021-10-05 cs.AI cs.LG
Understanding Persuasive Interactions between Generative Social Agents and Humans: The Knowledge-based Persuasion Model (KPM)
Institute of Business Information Technology(业务信息科技研究所);Zurich University of Applied Sciences(应用科学大学 Zurich);Institute for Information Systems(信息系统研究所);University of Applied Sciences and Arts Northwestern Switzerland(西北瑞士应用科学与艺术大学);Center for Cognitive Interaction Technology(认知交互技术中心);Bielefeld University(比勒菲尔德大学)
本文提出基于知识的说服模型(KPM),用于研究生成社会代理与人类之间的说服互动,旨在通过结构化方法提升用户福祉。
2026-07-14 cs.AI cs.HC
Artificial Persuasion in Pedagogical Games
一个有说服力的可教Agent(PTA)是一种特殊类型的可教Agent,它结合了说服理论,以提供有说服力的和更个性化的反馈给学生。通过使用说服技巧,家长教师会试图使学生保持在一个高动机和高能力的状态,在这种状态下,他或她有更高的认知能力,他或她的态度变化更持久。然而,PTA的现有模式仍然存在一些局限性。首先,现有的PTA模型侧重于模型的PTA的说服能力,而不是模型的能力,由学生教和实践的知识,它已经学会。其次,PTA中计算过程的量化模型可重用性差。第三,在《优惠贸易协定》的理论模式和实际执行之间仍然存在差距。为了解决这三个局限性,这本书提出了一个改进的代理模型,它遵循目标导向的方法,并通过将PTA的说服力推理与可教性推理和实用性推理相结合,对PTA进行整体建模。该项目还提出了一个更抽象和广义的定量模型的计算在PTA。随着抽象层次的提高,定量模型的可重用性也得到了提高。引入新的系统架构,以弥合理论模型和PTA的实现之间的差距。
2016-01-23 cs.AI cs.CY
Beyond Detection: Exploring Evidence-based Multi-Agent Debate for Misinformation Intervention and Persuasion
本文提出ED2D框架,通过整合事实证据检索,提升虚假信息检测与说服效果,同时揭示MAD系统在干预中的潜力与风险。
2026-01-08 cs.AI
The Bots of Persuasion: Examining How Conversational Agents' Linguistic Expressions of Personality Affect User Perceptions and Decisions
Delft University of Technology(代尔夫特理工大学)
研究探讨了对话代理通过语言表达的人格如何影响用户在慈善捐赠中的感知和决策,发现人格特征显著影响用户信任和捐赠行为。
2026-02-19 cs.AI cs.HC
Human Choice Prediction in Language-based Persuasion Games: Simulation-based Off-Policy Evaluation
Faculty of Data and Decision Sciences, Technion - Israel Institute of Technology(以色列理工学院数据与决策科学学院)
本研究针对基于语言的劝说博弈,提出一种基于仿真的离线策略评估方法,通过模拟智能体空间交互提升人类决策预测准确率,在挑战性案例中提升7.1%。
2025-04-17 cs.AI cs.GT cs.LG
Peer Influence across Heterogeneous AI Models
IT University of Copenhagen(哥本哈根信息技术大学);University of Pisa(比萨大学);City St. George’s, University of London(伦敦城市圣乔治大学);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
本研究探讨异构AI模型间的说服动态,发现说服力受听者易感性主导,模型规模无法预测,小模型也能影响大模型,需在组合中评估交互行为。
2026-10-05 cs.AI cs.CL cs.CY
AD-MIR: Bridging the Gap from Perception to Persuasion in Advertising Video Understanding via Structured Reasoning
Peking University, Beijing, China(北京大学);Tsinghua University, Beijing, China(清华大学);Xi'an Jiaotong University, Xi'an, China(西安交通大学);South China University of Technology, Guangzhou, China(华南理工大学)
AD-MIR通过结构化推理框架,结合语义检索与精确关键词匹配,有效解码广告意图,提升广告视频理解的准确性与说服策略分析能力。
2026-02-07 cs.AI cs.CV
Learning to Persuade Exposes How Easily LLMs Abandon Correct Beliefs
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
研究发现优化后的对抗性说服策略可轻易让LLMs放弃正确信念,攻击成功率高且可迁移,凸显多智能体决策系统需将说服鲁棒性作为安全标准
2026-11-09 cs.AI cs.CL
Visual Persuasion: What Influences Decisions of Vision-Language Models?
Massachusetts Institute of Technology(麻省理工学院);MIT Media Lab(MIT媒体实验室)
提出一个框架,通过控制图像选择任务并系统性地扰动输入,利用视觉提示优化方法推断视觉语言模型的潜在视觉效用,揭示影响模型决策的视觉偏好。
2026-05-31 cs.AI cs.CV
Persuasion, Delegation, and Private Information in Algorithm-Assisted Decisions
Cornell University(康奈尔大学)
本文研究算法辅助决策中的最优算法设计与授权规则,发现授权仅在委托人与代理人决策一致时最优,信息量最大的算法可能次优,且善意增加信息或保留人类参与的政策可能反而降低决策质量。
2024-02-21 cs.AI cs.CY cs.GT
Quantifying Theoretical AI Alignment Guarantees: Receiver-Utility Bounds in Bayesian Persuasion
Cornell University(康奈尔大学)
通过贝叶斯说服模型,研究AI发送者优化错位目标时,人类接收者仍能获得多少有用信息,证明接收者效用比不超过3/2,并给出紧性下界。
2026-06-23 cs.AI cs.GT cs.IT
PerSo: Investigating Facets of LLMs' Social Intelligence in Real-World Persuasion Scenarios
School of Electrical and Computer Engineering, College of Engineering, University of Tehran(德黑兰大学工程学院电气与计算机工程学院);Cardiff University(卡迪夫大学);Institute for Research in Fundamental Sciences (IPM)(基础科学研究所);Tehran Institute for Advanced Studies, Khatam University(哈塔姆大学德黑兰高级研究院)
该研究推出PerSo基准,利用Reddit真实说服对话评估LLMs的社会智能,发现LLM性能随规模提升,在行为任务上略超人类最佳表现,认知任务仍逊于人类。
2026-10-15 cs.AI cs.CL cs.SI
Sequential LLM Release Facilitates Manipulation in Regulated Markets
Faculty of Data and Decision Sciences, Technion – Israel Institute of Technology, Haifa, Israel(以色列理工学院数据与决策科学学院,海法,以色列)
研究探讨了AI代理技术扩展对博弈论场景中经济影响,发现技术扩展可显著改变均衡收益与监管结果,提出'毒苹果'效应通过释放未被使用的新技术操纵监管设计,损害对手与监管公平性。
2026-08-18 cs.AI cs.CL cs.GT
The Silicon Mirror: Dynamic Behavioral Gating for Anti-Sycophancy in LLM Agents
Independent Researcher(独立研究者)
本文提出硅镜框架,通过动态检测用户说服策略并调整AI行为以维持事实准确性,实验显示其显著降低LLM的趋炎附势倾向。
2026-04-02 cs.AI
Bayesian Belief Layer for Controllable Opinion Dynamics in LLM Agents
Massachusetts Institute of Technology(麻省理工学院);Flybits Labs(Flybits实验室);Toronto Metropolitan University(多伦多都会大学)
提出贝叶斯编年史智能体(BCA),通过分离信念与表达、用贝叶斯步骤更新立场并引入先验强度参数,实现可控意见动态,匹配FJ模型并提升可审计性。
2026-09-23 cs.AI cs.MA
INFA-Guard: Mitigating Malicious Propagation via Infection-Aware Safeguarding in LLM-Based Multi-Agent Systems
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Innovation Institute(上海创新研究院)
INFA-Guard通过感染感知防护机制有效减轻基于大语言模型的多智能体系统中的恶意传播问题,显著降低攻击成功率并保持拓扑完整性。
2026-01-21 cs.AI cs.MA
TrustFlow: Topic-Aware Vector Reputation Propagation for Multi-Agent Ecosystems
TrustFlow通过主题门控转移运算符在交互图中传播声誉,采用多维声誉向量提升精度,有效抵御Sybil攻击和声誉洗白。
2026-03-19 cs.AI cs.MA
Deal Me Maybe: The Role of Emotions in Multi-Agent Negotiation
该研究探讨提示条件下的情绪对LLM多智能体价格谈判的影响,发现愤怒买方成交率极低,快乐买方成交率最高但价格较差,情绪效应具有角色依赖性,引发商业中情绪条件智能体的担忧。
2026-08-10 cs.AI
Beyond Preset Identities: Selective Stance Accommodation and Interaction Reorganisation in Generative Agent Societies
University of Exeter(埃克塞特大学);William & Mary(威廉与玛丽学院)
本文通过混合方法框架研究生成社会中代理的立场形成与边界构建,提出三个新指标揭示代理在复杂干预中的动态变化及信任与行为关系。
2026-10-14 cs.AI cs.CL cs.HC
Multi-Agent Decentralized Belief Propagation on Graphs
Qualcomm(高通);Northwestern University(西北大学)
我们考虑的问题的交互式部分可观察马尔可夫决策过程(I-POMDPs),其中代理位于通信网络的节点。具体来说,我们假设所有消息都有一个特定的消息类型。此外,每个代理根据交互式信念状态、本地观察到的信息以及通过网络从其邻居接收到的消息做出单独的决策。在这种情况下,代理的集体目标是通过与邻居交换信息来最大化网络上的全局平均回报。我们提出了一个分散的信念传播算法,并证明了我们的算法的收敛性。最后,我们展示了我们的框架的多个应用程序。我们的工作似乎是第一次研究分散的信念传播算法的网络多智能体I-POMDPs。
2020-11-10 cs.AI cs.LG
Preventing Error Propagation in Multi-Agent AI through Runtime Monitoring
研究多智能体AI系统中推理交换与答案修订的可靠性,提出运行时监控框架,通过数值实验评估准确性提升与错误传播条件。
2026-06-27 cs.AI cs.ET
VisualLeakBench: Reproducible Action-Boundary Propagation Failures in Vision-Language Agents
Nanyang Technological University(南洋理工大学)
提出VisualLeakBench基准,评估视觉语言智能体在截图、文档等场景下将敏感文本从图像复制到工具参数中的动作边界传播失败,发现PII传播率达78.8%,不安全文本传播率达85.5%。
2026-05-29 cs.AI cs.CV cs.IR
Memory Contagion: Cross-Temporal Propagation of Evaluator Bias via Agent Memory
Independent Researcher(独立研究员)
研究大型语言模型智能体记忆中评估者偏见通过记忆存储跨时间传播的现象,发现即使完美记忆整合也会导致偏见传播,且无安全阈值。
2026-06-25 cs.AI cs.CL cs.LG