虚幻的真相还是纯粹的暴露？基于大语言模型的社交媒体模拟中模型相关的重复效应

基于生成Agent的模型（GABM）越来越多地用于模拟社交媒体动态，包括错误信息的传播。为了使这种社会模拟成为人类行为的有效Agent，大语言模型Agent应该复制既定的人类认知偏见，其中包括虚幻真相效应（ITE），即反复接触某个主张会增加其感知的真实价值。我们研究了 ITE 在社交媒体模拟环境中是否以及如何在四个 LLM（Gemma-3-4b-it、Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct 和 GPT-5-nano）中表现出来。我们提出了一个两阶段的上下文内实验设计，将重复操作嵌入到现实的新闻提要交互中。使用这种设计，我们收集了 100 个陈述、10 个 Feed 变体和 3 个重复中的 336,000 个真相、重要性、情绪和兴趣评级。关键的比较是分配给重复陈述的评级（在整个模拟阶段中看到的）和完全不可见的评级（在同一实验上下文窗口内评级）之间的比较。我们将真正的 ITE（特定事实重复增强）与单纯的曝光效果区分开来。我们运行 OLS 回归，然后运行线性混合效应模型，以解释模型和评级之间的差异。我们的结果揭示了四种性质不同的模式： Gemma-3 表现出真正的 ITE； Qwen2.5仅显示曝光效果； GPT-5-nano 对事实没有重复效应，对重复内容持温和怀疑态度； Llama-3.1 显示了真实性的小幅提升，同时评估维度有所下降。至关重要的是，温度对这些发现没有影响，方差分解凸显了 LLM 评级行为的高度上下文敏感性。我们的研究结果警告不要在社会模拟中假设跨大语言模型的 ITE 复制是统一的，同时表明 Gemma-3-4b-it 可能为与错误信息相关的模拟提供最行为真实的近似。