Algorithmic Persuasion Through Simulation: Information Design in the Age of Generative AI

如何让一个知情的发送者在了解有限的接收者信仰信息下说服接收者？受到表明生成AI可以模拟经济代理的研究的启发，我们开始研究带有预言机的信息设计。我们假设发送者可以通过查询这个预言机来了解更多关于接收者的信息，例如通过模拟接收者的行为。除了AI动机，如通用的大型语言模型（LLMs）和问题特定的机器学习模型之外，其他动机包括客户调查和查询一小部分活跃用户。具体来说，我们研究贝叶斯说服，其中发送者对接收者的信仰具有二阶先验。在向预言机查询了固定数量的查询以完善这个先验之后，发送者会承诺一个信息结构。在接收到消息后，接收者将采取最大化其后验信仰下期望效用的收益相关行动。我们设计了多项式时间查询算法，以优化发送者在这个贝叶斯说服游戏中的期望效用。作为技术贡献，我们展示了查询形成了接收者信仰空间的分区，可用于量化发送者的知识。

研究如何在有限信息下，通过查询oracle获取更多关于接收者信念的信息，以便发件人能够说服接收者采取某种行动。

使用贝叶斯说服模型，发件人通过查询oracle获取更多有关接收者信念的信息，设计多项式时间查询算法，以优化发件人在贝叶斯说服游戏中的预期效用。

实验使用了贝叶斯说服模型，并设计了多项式时间查询算法，可以优化发件人在贝叶斯说服游戏中的预期效用。研究还表明，查询可以形成接收者信念空间的分区，可以用于量化发件人的知识。

最近的相关研究包括信息设计和贝叶斯说服游戏，例如：《Information Design in Bayesian Persuasion》和《Persuasion via Selective Disclosure》。