人格プロファイルと記憶に基づくLLMエージェントを用いた意思決定仮定のシミュレーション手法

Persona Agentの意思決定を、最終回答だけでなく、行動系列・理由文・記憶更新の軌跡として記録・分析する手法を検証した研究です。同一条件の反復と外的介入条件を比較し、行動の分岐・再収束・記憶内容の影響・Persona Profile粒度による応答差を評価しました。

■ techtekt（テックテクト）
パーソルキャリアのエンジニアブログです。“みんなの「はたらく」をテックでつくる”をコンセプトに、技術、組織、学びなど、さまざまな情報を発信しています。
■ NUTION（ニューション）
パーソルキャリアのデザイン組織「NUTION」のブランドサイトです。「デザインの力で、はたらくを変え、社会を変えていく。」をステートメントとし、デザインの価値を広める活動をしています。
■TECH Street
パーソルキャリアが主催する各社の現場で活躍しているITエンジニアやテクノロジー人材から、ITテクノロジーに関するさまざまなテーマの事例や知見が学べる勉強会コミュニティです。

Transcript

1. FIT 2026 人格プロファイルと記憶に基づくLLMエージェントを用いた 意思決定過程のシミュレーション手法 峯 俊介 佐藤 哲 五十幡 直洋 パーソルキャリア株式会社 人格 ／ 記憶 ／ 外的条件 ／ 意思決定軌跡
2. 会社概要 社 名 パ ー ソル キ ャ リ ア 株式 会 社 本 社 東 京 都港 区 創 業 19 89年6月 資 本 金 1, 127百 万 円 事業内容 人材 紹介 サー ビス 、求人 メデ ィア の運営 、転 職・ 就職 支援、 採用 ・経 営支 援、 副業・ 兼業 ・フ リーラ ンス 支援 サー ビスの 提供 従業員数 6,721名 （有期社員含む グループ会社出向中の 者は除く 2026年3月1日時点） © PERSOL CAREER CO., LTD. 2
3. サービス概要 © PERSOL CAREER CO., LTD. 3
4. 01 背景 LLMの進化に伴い、人格や記憶をもつLLMエージェント → Persona Agent の研究も進化している LLMに人格・記憶・目標を与えて仮想エージェントを動かす研究が進む一方、介入で「途中の判断軌跡」がどう変わるかは整理が必要である。 Persona Agentとは？ 先行研究での進捗と課題 人格・記憶・目標などをプロンプトに与え、LLMが行動と説明を生成するLLMエージェント Persona Agentは、会話・社会シミュレーション・仮想ユーザー実験へ広がっている。 Persona Profile Environment Me mory Goal Task / Intervention 2026 LLM 2023 prompte d agent → ベースとなる研究※1 Generative Agents 記憶・内省・計画を用いたシミュレーション 1,052人分のPersona Agent構築 → 実在の人物の再現 ※2 インタビューから個人エージェントを作り、調査回答を再現 MatrAIx → 約80億人・一部実データ※3 多様な仮想ユーザーのシミュレート基盤へ拡張 Persona詳細化の弊害？ → 実用面での研究課題※4 出力：行動 / 理由 / 記憶更新 / 予測 情報量を増やしても応答範囲が単調に広がるとは限らない 研究課題 本研究での着眼点 研究の焦点 • 選んだ行動だけでは、途中の判断変化が見えない • 同一Persona・同一初期状態から条件を変え て軌跡を比較 • 同じ最終行動でも、理由や記憶更新は異なる可能性 • 分岐・持続・再収束・再分岐をDFAで定量化 シミュレーション結果だけでなく、意思決定の 途中過程と行動パターンの変化を評価する ※1 Park et al. (2023), Generative Agents: Interactive Simulacra of Human Behavior. ※2 Park et al. / Stanford-led interview-based agent simulation work on 1,052 participants ※3 MatrAIx / persona-agent evaluation context as discussed in the user's FIT research materials. ※4 Yao (2026), More Is Not More: What Matters for Diversity in LLM Opinions?, FIT 2026 | Decision Forking Analysis 1 / 14
5. 02 目的 Persona Agentの「意思決定の過程と変化要因」を、実験で検証する 確率的に揺らぐPersona Agentについて、同条件の自然変動と外的条件による追加差を分けて記述できるかを検証する。 比較する2種類の軌跡 DFA：Decision Forking Analysisで観測する4層 同じPersona・同じ初期状態から、2つの差を分けて見る 行動系列・理由・記憶までを同じrun単位で追跡する 同条件反復 同じ条件で実行したときの自然な揺れ 行動 行動系列 介入条件 何を選んだか？ どんな順序で行動したか？ 外的情報や内省指示を加えたときの追加差 自然変動を基準に、介入による差分を比較する 理由 なぜ選んだのか？ 記憶 何を次stepへ引き継いだか？ 研究上の問い 評価の焦点 介入は行動だけを変えるのか、それとも理由や記憶の生成過程まで変えるのか？ ペルソナによる影響差は？ シミュレーション結果ではなく、途中の意思決定軌跡そのものを評価する。 FIT 2026 | Decision Forking Analysis 2 / 14
6. 03 方法 Persona・記憶・外的条件を結ぶ意思決定シミュレータの開発 SATSUMA: Social Agent-based Twin for Simulating User Mind and Activity → Persona Agentの行動軌跡とThought Traceを同時に記録し、DFAで比較可能な実験ログへ変換する。 思考・行動＝意思決定過程を可視化するシミュレータ Thought Trace 仮想環境上で、Persona Agentの位置・行動候補・移動履歴を時系列で追跡する。 各stepで、判断理由・観察・反実仮想・予測・記憶更新を 保存する。 Decision / rationale / counterfactual / pre diction / memory 行動ログ生成フロー 入力 候補提示 LLM判断 Trace記録 次step シミュレータでPersona Agentの行動と説明をstep単位で生成・蓄積し、DFAで評価する意思決定軌跡を生成する。 FIT 2026 | Decision Forking Analysis 3 / 14
7. 04 方法 Persona Agentの 思考・行動（意思決定）決定ロジック 人格プロファイル・記憶・現在状態をLLMに与え、選択行動だけでなく、理由・反実仮想・予測・記憶更新も保存する。 1. 入力条件 2. 記録する出力 Persona・目標・状態を固定し、条件だけを変えて比較する DFAでは、この出力系列を比較対象にする 人格プロファイル 過去の記憶 目標 外部情報 候補行動 現在状態 LLM Decision prompt 選択行動 JSON output Persona / Goal / State / Memory 外的条件を統合し、 候補から次行動を選ぶ 選択理由 反実仮想 結果予測 同じ初期条件から軌跡を生成 次stepの状態へ反映 3. 逐次意思決定として扱う 4. DFAで比較する対象 • 前stepの記憶更新を、次stepの入力へ引き継ぐ • 各stepで同じ形式の判断ログを残す • 行動系列の差、理由文の差、記憶要約文の差を分けて測る • 最終行動だけでなく、判断過程のばらつきを分析する FIT 2026 | Decision Forking Analysis 記憶更新 4 / 14
8. 05 分析 DFA：行動・経路・理由・記憶の4項目での意思決定過程の評価 Persona Agentが何をどう考えた結果、どのように行動が変化したか？ → 「どのようなDecision・理由・Memoryを出力し、行動がどう変化したか？」を評価するアプローチ。 指標 Action consistency 測定対象 Agtの思考・行動パタン 同一条件反復でのstepごとの行動一致 高いほど局所的な選択が安定 Sequence divergence 行動系列全体がどれだけ異なるか Reason divergence 生成された行動理由を語彙集合に変換して類似度で比較 エージェントが生成した理由文の語彙差 →各runでLLMが出した「なぜその行動を選んだか」という説明文同士が、ど れくらい違う語彙で書かれているか Memory divergence FIT 2026 | Decision Forking Analysis エージェントが生成した記憶内容文の語彙差 生成された記憶要約を語彙集合に変換して類似度で比較 →各step後にLLMが生成した「この経験をどう記憶として残すか」という memory update 文同士が、どれくらい違う語彙で書かれているか 高いほど経路全体が分岐したか、選択肢の広がり Run A : A → B → A → A Run B: A → E → C → F ≒ 意思決定理由の差 Run A: 失敗を避けるため、慎重に確認する Run B: 新しい可能性を広げるため、すぐ試す ≒ 記憶内容の差 5 / 14
9. 06 実験設計 Persona Agentへ与える外部情報とペルソナによる差分比較 Agentが受け取る情報や、設定したペルソナによる思考・行動の変化を比較した。 主実験 追加実験 • Baseline：外的情報なし • Balanced：外的な情報や条件をバランスよく比較するタイプ • Local information：外的情報あり • Explorer：未知の候補を探索する積極的なタイプ • Reflective intervention：外的情報＋内省あり • Risk-averse：不確実性・失敗を回避する慎重派タイプ • 3条件 × 各10試行、最大11step • 3ペルソナ × 5介入強度 × 3反復 • 介入効果を比較するため、介入以外の条件は固定 観測差の解釈を5項目で検証 1 4 Agt行動の概要 既存45 runsでFork・再収束・再分岐→意思決定の過程を分析 Persona／Profile を変化させた場合 Persona block・粒度を検証 FIT 2026 | Decision Forking Analysis 2 5 自然変動の比較 90 same-condition pairs 3 Agt内の記憶 の影響比較 Agtの思考・行動が自らの思考でどのように変化するか？ Full Profile × Intervention 240 runs →人格プロファイルの詳細化・構造化の比較 6 / 14
10. 07 結果① ①Agt行動の概要：介入に応じて意思決定は変化し、途中分岐も生じる DFAで見る対象 同一Persona・同一初期状態から出発した2つのrun → 介入あり・なしで stepごとの行動差と、その後の戻り方を比較する。 • Type A Fork：あるstepで行動が分かれる • Type B Decision Forkなし 介入を与えても、同じ行動系列を保つ 同じ起点 から介 入後 に分岐 し、その後 も差が残る 同じ軌 跡 • Post-Fork Divergence：分岐後にどれだけ違いが残るか Type C 早期Forkが持続 Fork 行動系列は安定 Re-convergence：分岐後に再び同じ行動に戻る Fork→再収束→再Fork 一度戻った後、別stepで再び分岐する 差が残る 同じ step step 介入効果が持続 TypeB 分岐があった試行 TypeC 分岐→合流→分岐 32 / 36 23 / 32 6/10 paire d comparis ons 71.9% of forked pairs after first fork 最終結果が同じだが、別経路由来 step 揺れながら分岐 全体的な傾向 介入応答は、単発の差ではなく、時間の中で分 岐・再収束する過程として現れる。 要点：DFAにより、最終行動の一致だけでは見えない「途中の意思決定軌跡」を定量的に説明できる。 FIT 2026 | Decision Forking Analysis 7 / 14
11. 08 結果② ②LLMの自然な出力の揺れもある。一方で、介入ありでは「行動の内容」が顕著に変化 介入なし と 介入あり の 思考・行動パタンを比較した場合、後者では顕著な行動変容（選択した行動の内容自体の変化）が見られる。 介入なしでもLLMの行動には自然な揺れが生じるが、介入条件では行動選択の変化率が+21.5pt、行動カテゴリの分岐率が+21.2pt増加 → 介入が単なる表現上の差ではなく、エージェントが選択する行動とその種類を顕著に変化させた（≒Agtの思考・行動変容を励起？） FIT 2026 | Decision Forking Analysis 8 / 14
12. 09 結果③ ③記憶は次の行動に明確に影響するが、構造化の影響は小さい 「統制」とは、比較したい要素以外を固定し、その要素だけを変えて差を見ることである。 考え方 Persona 現在状態 候補行動 モデル条件 を固定し、 だけを変える 記憶本文 / 構造化 記憶の情報量を変更 （補足）構造化プロンプトの効果は…？ 同じDecision Stateに、異なる過去Memoryを注入して比較 同じ記憶効果に、Persona文脈の構造化を足した場合を比較 介入なし由来Memory 48.9% 内容整合action +32.2pt 介入由来Memory → 81.1% L1 Persona context +31.1pt L2 Framed context +32.2pt 内容整合action 95% CI [+23.3, +42.2] 解釈：渡す記憶本文が、次の行動選択に強く影響した L2 − L1 = +1.1pt 95% CI [-5.6, +7.8] 解釈：単発Decisionでは、構造化の追加効果は明確ではなかった 要点：次の行動を決めるのは「記憶本文の中身」の影響が大きい。構造化は重要だが、今回の実験で大きな変化は確認されない結果に。 FIT 2026 | Decision Forking Analysis 9 / 14
13. 10 結果⑤ ⑤Persona Profileの粒度によって介入への応答は変わるか？ Full Profile = 人格プロフィールの詳細版 を与えた場合の応答の変化はどうなるか。 Compact Profile Full Profile （Compactを内包） • preferences • Compact Profileの全要素 • affective reactions • core desire • core values • decision habits • social style • cognitive style • daily behavior • traits • avoidance 最小限の人格条件 最小限の人格条件 + そのペルソナをより特徴づける項目群 実験設計 3 Persona × 2 Granularity × 2 Intervention × 20 replicates × 10 steps 240 runs ／ 2,400 Decisions I0→I1で変化したDecisionの割合を介入応答として測定。負値はFullの応答が小さいことを示す。 FIT 2026 | Decision Forking Analysis 3種類のペルソナ × 2種類の人格プロファイル粒度 × 2種類の介入条件（介入有無） × 各条件を20回実行 × 各試行10ステップの意思決定 10 / 14
14. 11 結果⑤ ⑤人格プロファイルの詳細化は、介入への応答を限定的にする 240 runsの最終実験では、Full Profile条件でPersona固有の判断傾向が強まり、外的介入による行動変化はむしろ小さくなった。 ペルソナ別反応率 → 2つでマイナス。特に探索型で顕著な低下 何を比較したか 同一Persona identity I0 / I1介入 20反復 × 10step Compact Profile Full介入反応率 = I0とI1で、stepごとのDecisionがどれだけ変わったか Full介入反応率 - Compact介入反応率 Balanced • preferences / core desire / social style / traits 均衡型 Full Profile Explorer • Compactに、価値観・認知スタイル・回避・感情反応・ 判断習慣を追加 -26.0pt -59.5pt 探索型 Risk-averse -70 慎重型 -50 -30 -10 0 0.0pt +10 観察1：均衡型では反応率が低下 観察2：探索型で差が最大 観察3：慎重型は差ゼロ Full条件では、簡易プロファイルの場合より介入への 応答が小さくなっている。 Full条件では、探索的行動にほぼ飽和し、追加介入 で変わる余地が小さくなった。 Compact / Fullともに低不確実性の行動へ固定した可能 性があり、介入による行動変化は見られなかった。 結論：Profileを詳しくするほど良い、ではなく、詳細化がPersonaの既存傾向を強め、介入応答を抑える場合がある。 FIT 2026 | Decision Forking Analysis 11 / 14
15. 12 考察：探索型の行動分布 ⑤探索型がよく選択した行動の出現率は、Compactは介入で変化、Fullは介入前とほぼ同じ 数値は各条件200 decisions（20反復×10step）のうち、最も多く選ばれた行動の割合。 探索型 Persona I0: 介入なし Compact Profile 短い人格条件のため、目標適合・時間コス トと介入情報の間で行動が揺れる。 Full Profile 情報獲得・小さな試行・仮説更新が明示さ れ、介入前から探索型らしい行動へ寄る。 I1: 外的介入あり 200 decisions / 条件 介入なし c01 介入あり 86.5% 介入で変化 173 / 200 decisions c05 69.5% 139 / 200 decisions 即時実行に寄る 試行錯誤をするような行動へ移った 介入なし 介入あり c05 98.5% 197 / 200 decisions 介入前からほぼ固定 ほぼ同様 c05 100% 200 / 200 decisions 追加介入でも変化せず 最多行動が c01 から c05 へ変化 介入前から特定の行動を選択 → ペルソナを象徴する特徴が優先的に？ → もともと試行錯誤が代表パタン？ 解釈 Full Profileで追加された「情報獲得 」「小さな試行」「仮説更新」が、c05 選択を介入前から強めた可能性 読み方：割合が高いほど、その条件で同じ行動をとりやすい。Fullでは特定の行動へ集中し、介入で変わる余地が小さい。 示唆：Personaの詳細化→そのペルソナの特長・傾向があらわれるのを助長し、介入感度を下げる場合がある。 FIT 2026 | Decision Forking Analysis 12 / 14
16. 13 考察・今後の研究 ペルソナの詳細化は行動や意思決定の幅を限定的にする可能性 今回の結果は、人格情報を増やすことの効果を「精度向上」だけでなく「傾向の固定化」として評価する必要性を示している。 今回の観察 先行研究とも整合的 次に検証すべきこと • Full Profileでは、全体的に介入応答が低下した 「情報を多く与えればよい」とは限らない場合もある • 属性ごとの比較実験：価値観・認知スタイ ル・回避・感情/反応・判断のクセ • 探索型のペルソナでは差が最大で、Full条件 が介入前からc05にほぼ集中した • ペルソナ詳細化の効果は限定的・条件依存 になりうる • 詳細な人格情報、特に意思決定の方針差 が、外的介入への反応余地を小さくした可能 性がある • Personaの詳細化は、多様性や応答範囲 を単調には増やさない可能性がある • 本実験は、詳細化が既存傾向を強めるケー スを示す探索的結果である ※ Hu & Collier (202 4), Yao (2026 ) と同じ問題意識 に接続 今後の焦点 • 行動の集中度、応答幅、理由・記憶の変化 を分けて測る • タスク、モデル、Persona型を増やし、同じ傾 向が再現するか確認する • 最終的には人間評価と照合し、何が“本人らし さや人間らしさ”を支えるかを見る必要がある Persona Profileの評価では、どの属性が行動を固定し、どの属性が介入への応答を変調したかを分解して見ることが必要。 単なる詳細化ではなく、再現性・多様性・介入感度を切り分けた次の実験設計につなげる。 次の研究ポイント FIT 2026 | Decision Forking Analysis 記憶とプロファイルの詳細化がPersona Agentの行動をより特徴的にすることが示唆。 「Profile粒度が介入応答を変える」という点で、シミュレーションでの高精度なユー ザー再現を目指す設計で、「プロファイルの充実度≒独自データなどの入力量」と「処理量・望んだ行動の再現精度」はトレードオフになるのは重視すべきポイント 13 / 14
17. 14 結論 今回のまとめ 本研究の取り組み 新たな課題 • 意思決定をstep単位の軌跡として生成・保存した • 対象はLLMが外部に生成した行動ログであり、 LLMの内部思考そのものではない • DFAにより、行動系列・理由文・記憶更新の分岐を分けて評価した • 同条件反復でもForkが生じるため、 よりモデル自体の比較など自然変動との切り分けが必要 • 同じ行動に見えても、理由や記憶が異なるケースがある • Profile詳細化は、応答を強めるだけでなく行動を固定する場合がある → その理由の深掘り・行動の詳細分析 • Profile粒度が、介入への応答を変えること、 対象ペルソナの特徴を増強させることを確認した • 今後は人間評価・他モデル・実データとの比較で妥当性を検証する 実用への次の問い Persona Agentの意思決定は、特にどの属性が行動を固定し、ペルソナを特徴づけて、介入への応答を変調するのか？ 単なる詳細化ではなく、再現性・多様性・介入感度を分けて評価することが次の課題である。 FIT 2026 | Decision Forking Analysis 14 / 14
18. パーソルキャリアのオウンドメディアご紹介 パーソルキャリアのエンジニアブログです。“みんなの「はたらく」を テックでつくる”をコンセプトに、技術、組織、学びなど、さまざまな情 報を発信しています。 「techtekt（テックテクト）」 パーソルキャリアのデザイン組織のブランドサイトです。「デザインの力 で、はたらくを変え、社会を変えていく。」をステートメントとし、デザ インの価値を広める活動をしています。 「NUTION（ニューション）」 各社の現場で活躍しているITエンジニアやテクノロジー人材から、ITテク ノロジーに関するさまざまなテーマの事例や知見が学べる勉強会コミュ ニティです。 「TECH Street（テックストリート）」 © PERSOL CAREER CO., LTD. 18
19. ご清聴ありがとうございました 【免責事項】 本資料に含まれる技術情報は発表日時点のものであり、予告なく変更される場合があります。 実装や運用は自己責任で行ってください。 発表者および所属組織は、本資料に基づく行動の結果について一切の責任を負いません。 本資料に記載されている会社名・製品名などは、一般に各社の登録商標または商標、商品名です。 資料内では ©, ®, TM マークなどは表示していません。