LLM-gesteuertes Multi-Agent-Modell erklärt Schüler-Wahrnehmung

Ein neues Forschungsprojekt nutzt große Sprachmodelle (LLM), um zu zeigen, wie Schüler in realen Klassenräumen unterschiedliche soziale Wahrnehmungen entwickeln und verändern. Durch ein probabilistisches Multi-Agenten-Framework werden individuelle Sichtweisen simuliert, die auf lokalen Hinweisen und begrenzten Fragebogendaten beruhen.

Jeder Schüler erhält dabei ein persönliches, subjektives Netzwerk, das genau angibt, welche sozialen Verbindungen er wahrnehmen kann und wie weit Informationen aus seiner Perspektive reichen. Die Agenten greifen ausschließlich über Retrieval‑Augmented Generation (RAG) auf diese lokalen Daten zu und bewerten anschließend die Kompetenz und soziale Stellung ihrer Mitschüler.

Das Modell berücksichtigt zudem strukturelle Störungen, die mit sozialer Angst zusammenhängen, um individuelle Unterschiede in der Wahrnehmungsgenauigkeit abzubilden. Während Peer‑Kommunikationen tauschen die Agenten narrative Einschätzungen über akademische Leistungen und soziale Position aus, versehen mit Unsicherheitsmarkierungen, und aktualisieren ihre Überzeugungen probabilistisch anhand von LLM‑basierten Vertrauenswerten.

Durch die Einbindung einer Zeitreihe von sechs realen Prüfungsergebnissen als exogene Referenz werden mehrstufige Simulationen durchgeführt, die zeigen, wie epistemische Unsicherheit sich über lokale Interaktionen ausbreitet und langfristig stabile Gruppenunterschiede erzeugt.