ScioMind：具有基于锚定的信念动力学与动态画像的认知依据对齐多智能体社会模拟

基于大语言模型（LLM）的多智能体模拟为研究社会舆论动态提供了强大的试验台。然而现有方法常采用两种对立路线：要么依赖认知依据有限的固定更新规则，要么把信念变化基本交给无约束的LLM交互。我们提出ScioMind，一个认知接地的模拟框架，通过将结构化舆论动力学与基于LLM的智能体推理相结合来弥合这两种范式。ScioMind集成三个关键组件：1) 记忆锚定的信念更新规则，通过人格条件化的锚定强度调节受影响的易感性；2) 分层记忆架构，支持持久的、经验驱动的信念形成；3) 由语料库接地检索管线导出的动态智能体画像，实现异质的人格、理由与演化的内部状态。我们在真实政策辩论场景的多个案例研究中评估ScioMind。在极化、多样性、极端化和轨迹稳定性等指标上，所提组件持续带来行为真实性的改进。特别是，动态画像提升了观点多样性，记忆与反思减少了不稳定振荡，锚定则诱导出与政治心理学报告模式更吻合的持久信念轨迹。这些结果表明，我们的认知接地设计为基于LLM的社会模拟提供了一种同时改善稳定性与行为真实性的新方案。