CSP4SDG: Probabilistisches Framework für Rollenidentifikation in Deduction Games

In klassischen Social Deduction Games wie Avalon, Mafia oder Werwolf verbergen die Spieler ihre Rollen und täuschen aktiv, sodass die Identifikation der versteckten Identitäten zu einer zentralen und anspruchsvollen Aufgabe wird. Genau diese Rollenbestimmung bildet die Basis für die Überzeugungen eines Spielers – sei es ein Mensch oder ein KI-Agent.

Das neue Framework CSP4SDG nutzt ein probabilistisches Constraint‑Satisfaction-Modell, um Spielereignisse und Dialoge in vier sprachunabhängige Constraint‑Klassen zu überführen: Evidenz, Phänomene, Behauptungen und Hypothesen. Durch harte Constraints werden unmögliche Rollen sofort ausgeschlossen, während gewichtete weiche Constraints die verbleibenden Möglichkeiten bewerten. Ein Information‑Gain‑Gewicht verknüpft jede Hypothese mit ihrem erwarteten Nutzen in Bezug auf die Reduktion der Entropie, und eine geschlossene Bewertungsformel sorgt dafür, dass wahre Behauptungen sich zu klassischer harten Logik mit minimalem Fehler annähern.

Das Ergebnis ist ein vollständig interpretierbarer Posterior‑Verteilung über Rollen, die in Echtzeit aktualisiert wird. In Experimenten mit drei öffentlichen Datensätzen hat CSP4SDG in allen Inferenz‑Szenarien die LLM‑basierten Baselines übertroffen und gleichzeitig LLMs als ergänzendes „Reasoning‑Tool“ deutlich verbessert.

Diese Studie zeigt, dass principled probabilistisches Denken kombiniert mit Informationstheorie eine skalierbare Alternative – oder Ergänzung – zu schweren neuronalen Modellen für Social Deduction Games darstellt.