5  Agent Based Simulation (Prof. Annie Waldherr)

Folien als PDF

5.1 Transkript

Das folgende Transkript wurde auf Basis der Aufzeichnung der Vorlesung erstellt. Die vollständigen Aufzeichnungen inklusive der Bildschirminhalte sind in Blackboard🔒 verfügbar. Die Tonspur wurde zuerst mit Hilfe der Werkzeuge des Oral-History.Digital Projekts wörtlich transkribiert. Die wörtliche Transkription wurde in Kombination mit den Vorlesungsfolien mithilfe von Sprachmodellen (v. a. Claude Sonnet 4.5 und GPT 5.2) zu einem übersichtlichen Transkript zusammengefasst. Im Anschluss wurde das Transkript von einer studentischen Hilfskraft überprüft, geglättet und ggf. angepasst. In diesem Prozess kann es an verschiedenen Stellen zu Fehlern kommen. Im Zweifel gilt das gesprochene Wort, und auch beim Vortrag mache ich Fehler.

Ich stelle das Transkript hier als experimentelles, ergänzendes Material zur Dokumentation der Vorlesung zur Verfügung. Noch bin ich mir unsicher, ob es eine sinnvolle Ergänzung ist und behalte mir vor, es weiter zu bearbeiten oder zu löschen.

Was sind Agent-Based Models (ABMs)?

Agent-Based Models (ABMs) sind computergestützte Simulationsmodelle, in denen viele einzelne „Agenten“ nach einfachen Regeln handeln und gemeinsam ein komplexes Gesamtverhalten erzeugen. Sie werden vor allem in der Komplexitätsforschung und in den Sozialwissenschaften eingesetzt, um dynamische Prozesse und Mikro-Makro-Zusammenhänge zu untersuchen.

Komplexe Systeme und das Beispiel „Heroes and Cowards“

Zu Beginn wird Komplexität über ein sehr einfaches „Toy Model“ erklärt: das Spiel „Heroes and Cowards“ (Helden und Feiglinge).

  • Jede Person (bzw. jeder Agent) wählt zufällig zwei andere Personen: eine als Freund, eine als Feind.
  • Helden-Regel: Helden stellen sich so in den Raum, dass sie zwischen ihrem Freund und ihrem Feind stehen und diesen beschützen.
  • Feiglings-Regel: Feiglinge stellen sich so hin, dass der Freund zwischen ihnen und dem Feind steht, sie verstecken sich also hinter dem Freund.

Wenn alle sich wie Feiglinge verhalten, driftet die Gruppe in der Simulation zu den Wänden; wenn alle Helden sind, ziehen die Personen in die Mitte. Spannend wird es, wenn zufällig gemischt wird, wer Held und wer Feigling ist: Dann können sehr unterschiedliche Muster entstehen (z.B. „Einfrieren“ der Bewegung, Polonaise-ähnliche Reihen, Spiralbewegungen, Zusammenziehen und Auseinanderdriften wie ein Jojo).
Das Beispiel zeigt, was komplexe Systeme auszeichnet:

  • Netzwerke: Agenten sind über Freund-/Feind-Beziehungen verbunden.
  • Heterogenität: Es gibt verschiedene Typen (Held/Feigling), die sich unterschiedlich verhalten.
  • Selbstorganisation: Kein „Chef“ steuert das System; Muster entstehen aus lokalen Interaktionen.
  • Adaptives Verhalten: Agenten passen ihre Bewegung an ihre Situation an.
  • Nichtlinearität: Kleine Änderungen der Anfangsbedingungen (Startpositionen, Vernetzung) können zu völlig anderen Makromustern führen; große Eingriffe können dagegen manchmal wenig bewirken.

Aufbau von ABMs: Agenten, Umgebung, Regeln

Formell werden ABMs als objektorientierte Computermodelle beschrieben.

  • Agenten: autonome Softwareobjekte mit Eigenschaften (z.B. Typ, Meinung, Schwellenwerte) und Zielen, die Informationen aus der Umgebung wahrnehmen, verarbeiten und darauf reagieren.
  • Umgebung (Environment): der virtuelle Raum, in dem sich Agenten bewegen oder interagieren; das kann ein abstrakter Gitterraum, eine geographische Karte oder ein Netzwerk sein.
  • Regeln: Anweisungen, die festlegen, was ein Agent unter bestimmten Bedingungen tut (z.B. wohin er sich bewegt, ob er seine Meinung äußert, …).

Ein klassisches Beispiel ist das El-Farol-Bar-Modell (NetLogo):

  • Es gibt eine beliebte Bar („El Farol“), die Spaß macht, wenn nicht zu viele Menschen da sind, und unangenehm wird, wenn sie überfüllt ist.
  • Jede Woche entscheiden Agenten, ob sie hingehen, indem sie aus der Vergangenheit extrapolieren (z.B. „Wenn es in den letzten Wochen zu voll war, bleibe ich zuhause“).
  • Daraus entsteht ein auf- und abschwingendes Muster von Besuchen (Überfüllung, dann weniger Besucher, dann wieder mehr usw.), das an ökonomische „Schweinezyklen“ erinnert.

ABM vs. statistisches Modell

Die Vorlesung stellt ABM der klassischen statistischen Modelllogik gegenüber.

  • Statistisches Modell:
    • Man abstrahiert einen Zusammenhang (z.B. zwischen Social-Media-Nutzung und Wohlbefinden) in Form eines Modells (z.B. linearer Zusammenhang).
    • Man schätzt Parameter (z.B. Regressionskoeffizienten) auf empirischen Daten.
    • Man prüft, ob Modell und beobachtete Daten gut zusammenpassen.
  • Simulationsmodell (ABM):
    • Man abstrahiert Prozesse und Interaktionsregeln (z.B. Regeln der Meinungsäußerung, Bewegungsregeln in einer Stadt).
    • Man erzeugt simulierte Daten (z.B. Zeitreihen von Medienaufmerksamkeit, räumliche Muster von Segregation).
    • Man vergleicht diese simulierten Daten mit empirischen Mustern – qualitativ (Form von Kurven, typische Muster) oder quantitativ (z.B. Zeitreihenvergleiche).

Beide Ansätze nutzen Modelle und Abstraktion, aber ABM legt den Fokus stärker auf Prozesse, Dynamiken und Interaktionen als auf statische Zusammenhänge.

Typen von ABMs und Modelleinsätze

Es werden verschiedene Typen von ABMs unterschieden, je nach Zweck und Abstraktionsgrad.

  • Abstrakte Modelle / Toy Models: sehr einfache, theoriebasierte Modelle, die grundlegende Mechanismen illustrieren (z.B. Heroes and Cowards).
  • Artificial Societies: abstrakte „Kunst-Gesellschaften“, in denen man z.B. Entstehung von Kooperation oder Normen untersucht.
  • Modelle mittlerer Reichweite: Umsetzung konkreter Theorien, um empirisch beobachtete Muster zu reproduzieren (z.B. Schweigespirale, Medien-Themenzyklen).
  • Case-based Models / Applied Simulations: empirienahe Modelle, die bestimmte Fälle nachbilden (z.B. Wahlausgang in einem Land, Stadtverkehr, Trainingssimulationen).
  • Digital Twins: datengetriebene, möglichst detailgetreue virtuelle Abbilder realer Systeme (z.B. Stadtmodelle, Social-Media-Plattformen), die kontinuierlich mit realen Daten gespeist werden.

Zentrale Modellzwecke („purposes“) von ABMs sind:

  • Formalisierung: Theorien präzise machen, indem man sie in Regeln übersetzt.
  • Verstehen: Mechanismen und Zusammenhänge explorieren, wenn mentale Gedankenexperimente nicht mehr ausreichen.
  • Erklärung: plausible generative Mechanismen für beobachtete Muster vorschlagen.
  • Vorhersage: in manchen Bereichen (z.B. Klima) wichtig; für soziale Systeme bleibt das umstritten und begrenzt.
  • Exploration möglicher Zukünfte: Was-wäre-wenn-Szenarien durchspielen, etwa für Medienregulierung oder Informationsumwelten.

Grenzen und Kritik

Die Vorlesung diskutiert auch typische Kritikpunkte an ABMs und versucht, sie einzuordnen.
Häufige Einwände:

  • Methodologischer Individualismus / Reduktionismus: Gesellschaft wird auf einzelne Akteure reduziert.
    • Antwort: Man kann Modelle erweitern, z.B. kollektive Akteure, Institutionen und Rückwirkungen von Makro- auf Mikroebene einbauen.
  • Zu wenig Theorie / zu wenig Realität: Modelle sind entweder realitätsfern („Glasperlenspiele“) oder rein datengetrieben ohne Theorie.
    • Herausforderung: Balance zwischen theoretischer Allgemeinheit und empirischer Kalibrierung finden.
  • Arbitrarität von Parametern: Viele Parameter können „geraten“ wirken; im besten Fall sind es gut begründete Schätzungen („informed guesses“).
  • Black Box und Komplexität: Sehr komplexe Modelle sind schwer zu verstehen; man weiß nicht genau, warum sie bestimmte Muster erzeugen.
  • Built-in Results: Gefahr, Modelle so zu bauen, dass sie nur gewünschte Ergebnisse reproduzieren.

Wichtige Grundsätze:

  • Ein Modell kann niemals empirische Daten ersetzen, sondern nur Hypothesen generieren, die empirisch getestet werden müssen.
  • Modelle müssen an ihrem Zweck gemessen werden: Ein gutes Modell erfüllt seinen klar definierten Zweck, nicht „alles“.

Warum ABMs? (Nutzen und klassische Beispiele)

ABMs sind besonders geeignet, komplexe soziale Systeme mit vielen heterogenen Akteur:innen, lokalen Interaktionen und dynamischen Prozessen zu analysieren. Sie helfen, emergente Phänomene und unbeabsichtigte Folgen individuellen Handelns („unintended consequences“) zu verstehen.

Schellings Segregationsmodell

Ein zentrales Beispiel ist Thomas Schellings Segregationsmodell, das in NetLogo als Standardmodell verfügbar ist.
Grundaufbau:

  • Die virtuelle Welt ist ein Gitter, auf dem „Turtles“ (Agenten) unterschiedlicher Farbe platziert sind (z.B. orange und blau).
  • Jede Turtle repräsentiert einen Menschen, der entscheidet, wo er wohnen will.
  • Regel: In jedem Zeitschritt schaut der Agent auf seine Nachbarschaft (angrenzende Felder) und prüft, wie viele Nachbarn zur eigenen Farbe gehören.
  • Es gibt einen Schwellwert (z.B. 30%): Wenn mindestens dieser Anteil der Nachbarn gleichfarbig ist, ist der Agent „zufrieden“ und bleibt; sonst zieht er an einen zufälligen anderen freien Ort.

Zentrales Ergebnis:

  • Schon bei relativ hoher Toleranz (Agenten sind schon zufrieden, wenn nur 30% der Umgebung „gleich“ sind) entstehen nach einigen Simulationsschritten deutlich segregierte Muster: farblich getrennte Cluster.
  • Das bedeutet: Auch wenn niemand aktiv starke Segregation wünscht und alle prinzipiell gerne mit vielen „Anderen“ zusammenleben würden, kann auf der Makroebene trotzdem starke Segregation entstehen.

Interpretation:

  • Das Modell zeigt, wie Mikropräferenzen (moderate Homophilie) zu Makromustern (starke Segregation) führen können, die einzelne Akteure so nie beabsichtigt hätten.
  • Es illustriert eindrücklich „unintended consequences“ und den Wert von Simulation, um solche Effekte zu verstehen.

Man kann mit dem Modell weiter experimentieren, z.B. den Schwellenwert variieren, um kritische Schwellen zu finden, bei denen Segregation entsteht oder ausbleibt.

Wofür ist ABM besonders geeignet?

Die Vorlesung fasst die Stärken von ABMs u.a. so zusammen:

  • Emergenz: Entstehung von Makrophänomenen (z.B. Segregation, Themenzyklen, Schweigespiralen) aus vielen lokalen Interaktionen.
  • Heterogene Agenten: Individuen mit unterschiedlichen Eigenschaften, Regeln und Schwellenwerten.
  • Dynamische Prozesse: zeitliche Entwicklungen und Feedbackschleifen lassen sich explizit modellieren.
  • Nichtlinearität: Kleine Änderungen können große Effekte haben, starke Eingriffe können wirkungslos bleiben.
  • Mikro–Makro-Link: ABMs sind ein Werkzeug, um Brücken zwischen individuellen Entscheidungen und kollektiven Ergebnissen zu schlagen.

Sie werden als mögliche Antwort auf klassische Probleme der Sozialwissenschaften genannt:

  • Mikro–Makro-Link (wie entstehen gesellschaftliche Muster aus individuellem Handeln?).
  • Kausalität (zumindest auf Ebene möglicher Mechanismen).
  • Dynamiken, Netzwerke, nichtlineare Prozesse.
  • Unbeobachtbare Prozesse, die in Umfragen oder einfachen Datenanalysen schwer zugänglich sind.

Beispiele für ABMs in der Kommunikationswissenschaft

Im dritten Teil stellt die Vorlesung konkrete Agentenmodelle vor, die in der Kommunikations- und Medienforschung eingesetzt wurden. Sie illustrieren unterschiedliche Modellzwecke: Muster nachbilden, Theorien testen, Szenarien erkunden.

ABM der „Medienarena“: Entstehung von Nachrichtenwellen (AMMA)

Ein erstes Beispiel ist ein agentenbasiertes Modell der Medienarena zur Entstehung von „News Waves“, also Themenzyklen in der Medienberichterstattung.
Ziel:

  • Erklären, wie typische Aufmerksamkeitszyklen („issue-attention cycles“) in den Massenmedien entstehen: ein Thema taucht auf, erlebt einen schnellen Aufstieg, erreicht einen Gipfel und flaut dann wieder ab.
  • Dieses Muster ist aus Theorien von Luhmann oder Downs bekannt und wurde empirisch beobachtet.

Aufbau des Modells:

  • Agenten: Journalist:innen in einer massenmedial geprägten Öffentlichkeit (Presse, Fernsehen).
  • Themen: mehrere abstrakte Themen (z.B. drei Themen in einem „Themenraum“).
  • Ereignisse: Ereignisse treten zufällig auf und werden Themen zugeordnet; jedes Ereignis hat einen Nachrichtenwert (Newsworthiness).
  • Themenwert: Ein dynamischer Wert für jedes Thema, der steigt, wenn viel darüber berichtet wird.
    • Je höher der Themenwert, desto höher der Nachrichtenwert neuer Ereignisse zu diesem Thema (positives Feedback).
  • Ermüdung: Je länger Journalist:innen über ein Thema berichten, desto stärker steigt ihre persönliche „Schwelle“, es noch interessant zu finden (negatives Feedback).

Dynamik:

  • Anfangs können „Pionier:innen“ ein neues Thema aufgreifen (kleiner „Burst“).
  • Wenn genügend Medien das Thema berichten, steigt der Themenwert, Ereignisse zu diesem Thema werden attraktiver, die Berichterstattung nimmt rasant zu (Durchbruch, Modephase).
  • Mit der Zeit setzt Ermüdung ein; Journalist:innen wenden sich anderen Themen zu, das Interesse fällt ab.

Erweiterung:

  • Später wurden Themensponsoren (z.B. PR-Akteure) eingeführt, die gezielt Ereignisse zu einem Thema initiieren.
  • Simulationen zeigen, dass solche Sponsoren nicht nötig sind, um Zyklen zu erzeugen, aber die Form der Wellen verändern (z.B. längere Wellen, mehrere Gipfel).

Methodisch handelt es sich um pattern-oriented modeling: Man nimmt ein typisches empirisches Muster (Themenwelle) und sucht eine Kombination von Regeln und Parametern, die dieses Muster in der Simulation reproduzieren.

Schweigespirale (Spiral of Silence) als ABM

Ein zweites prominentes Beispiel modelliert die Theorie der Schweigespirale von Noelle-Neumann. Ziel ist, die Theorie möglichst genau in ein Simulationsmodell zu übersetzen und zu prüfen, welche Makromuster sich ergeben.
Grundannahmen der Theorie (vereinfacht für das Modell):

  • Menschen haben Angst vor sozialer Isolation und passen ihr sprechendes Verhalten an das wahrgenommene Meinungsklima an.
  • Wer glaubt, mit seiner Meinung in der Minderheit zu sein, äußert sie seltener.
  • Massenmedien prägen das Meinungsklima, indem sie bestimmte Positionen stärker darstellen.

Aufbau des Modells:

  • Individuen: Agenten mit einer festen Meinung (z.B. blau oder rot). Im Grundmodell ändern sie ihre Meinung nicht, sondern entscheiden nur, ob sie sie äußern oder verschweigen.
  • Massenmedien: Medienagenten mit einer festen Blattlinie, die ihre Meinung immer äußern (sie „schweigen“ nicht).
  • Isolationsfurchtschwelle: z.B. 50%. Wenn ein Individuum wahrnimmt, dass in seiner Umgebung die Mehrheit der geäußerten Meinungen die andere Meinung vertritt, schweigt es (wird „grau“); sonst äußert es sich.

Simulationsablauf:

  • Individuen bewegen sich zufällig durch den Raum (Informationsumgebung).
  • In jedem Zeitschritt berechnet jede Person das lokale Meinungsklima: Anteil der geäußerten Meinungen in ihrer Nachbarschaft (einschließlich Medien).
  • Je nach Verhältnis zur Isolationsfurchtschwelle entscheidet der Agent, ob er seine eigene Meinung zeigt oder schweigt.

Szenarien:

  1. Baseline: Medien spiegeln Mehrheitsverhältnis
    • Beispiel: 70% der Individuen sind blau, 30% rot; Medienanteil ist ebenfalls 70% blau, 30% rot.
    • Ergebnis: Die Minderheitsmeinung (rot) verstummt im Laufe der Simulation teilweise; der Anteil der geäußerten roten Meinungen sinkt deutlich.
  2. False Balance: Medien geben beiden Seiten gleich viel Raum
    • Individuelle Meinungen bleiben 70% blau, 30% rot, aber die Medien berichten 50:50.
    • Ergebnis: Die Schweigespirale der Minderheit wird abgemildert; die rot gesinnten Individuen finden mehr mediale Unterstützung und äußern ihre Meinung häufiger.
    • Interpretation: Aus normativer Sicht kann die mediale Darstellung von Minderheitenpositionen deren Sichtbarkeit und Artikulationsbereitschaft erhöhen.
  3. Doppeltes Meinungsklima / „schweigende Mehrheit“
    • Individueller Meinungsanteil z.B. 70% blau, 30% rot, aber alle Medien vertreten nur die rote Meinung.
    • Frage: Kann eine „schweigende Mehrheit“ entstehen, die nicht mehr spricht, obwohl sie zahlenmäßig dominiert?
    • Ergebnis: Es ist möglich, dass die blaue Mehrheit im geäußerten Meinungsklima wie eine Minderheit wirkt und teilweise verstummt.
    • Allerdings zeigt das Modell auch: In den Simulationen verstummt die Mehrheit selten vollständig; meist bleibt ein sichtbarer Rest der Mehrheitsmeinung erhalten.

Die Simulationen werden in vielen Läufen (z.B. 50 Replikationen pro Bedingung) durchgeführt, weil stochastische Elemente (zufällige Bewegung, Zufallsinitialisierung) zu Variation führen. Parameter wie mediatization (Verhältnis wahrgenommener Meinungen von Individuen vs. Medien) und die Anteile blauer/roter Individuen und Medien werden systematisch variiert, um zu sehen, unter welchen Bedingungen sich Meinungsverhältnisse im Klima umkehren.
Das Modell dient als Proof of Concept: Es zeigt, dass die theoretischen Annahmen von Noelle-Neumann in einem dynamischen Modell tatsächlich zu spiralartigen Prozessen und (unter strengen Annahmen) zu Situationen führen können, in denen Mehrheiten „wie Minderheiten erscheinen“.

Integration von ABMs und Large Language Models (LLMs)

Abschließend wird ein aktueller Trend vorgestellt: die Verknüpfung von ABMs mit Large Language Models (LLMs )wie ChatGPT.
Beispiel „Generative Agents“:

  • In einer simulierten Umgebung (ähnlich einem Computerspiel) werden Agenten mit LLMs verknüpft, sodass sie scheinbar menschliches Verhalten zeigen: Tagespläne machen, miteinander sprechen, Beziehungen eingehen, politische Gespräche führen.
  • Nutzer:innen können beobachten, wie solche Agenten interagieren und welche Muster entstehen.

Mögliche Chancen:

  • Realistischere Agenten: LLMs sind mit sehr vielen Texten trainiert und können vielfältiges, nuanciertes Verhalten erzeugen.
  • Komplexere Szenarien: Agenten könnten eigenständige Dialoge führen, statt nur einfachen Regeln zu folgen.

Probleme und Risiken:

  • Zu komplex: Modelle werden noch aufwendiger, brauchen sehr viel Rechenleistung und Energie.
  • Nicht theorie-basiert: LLM-Verhalten beruht auf Trainingsdaten, nicht auf expliziten Theorien; es droht eine Verschiebung von Theorie zu reiner Datenimitation.
  • Black Box: LLMs sind schwer durchschaubar; kombiniert man viele LLM-Agenten, entsteht eine „große Black Box“.
  • Built-in Results: LLMs tragen das in sich, was in ihren Trainingsdaten steckt; normative Verzerrungen und Muster könnten unbemerkt reproduziert werden.

Prof. Waldherr betont, dass es sinnvoll ist, weiter mit klaren Regeln und expliziten Modellen zu arbeiten, statt alles LLMs zu überlassen. Eine Kombination kann aber spannend sein, z.B. wenn LLMs nur Teile des Verhaltens (etwa sprachliche Inhalte) liefern, während grundlegende Entscheidungslogiken weiterhin regelbasiert modelliert werden.

Potenziale von ABMs für Sozial- und Kommunikationswissenschaft

Zum Schluss werden die Potenziale von ABMs zusammengefasst:

  • Proof of Concept: Testen, ob vorgeschlagene Mikroannahmen tatsächlich zu bestimmten Makrophänomenen führen können (z.B. Schweigespirale, Segregation).
  • Pattern-oriented Modeling: Herausfinden, welche Mechanismen empirisch beobachtete Muster (z.B. Nachrichtenwellen) erzeugen können.
  • Possible Futures: Erkundung möglicher Zukunftsszenarien („What-if“-Simulationen), etwa in digitalen Informationsumwelten oder zur Wirkung von Medienregulierung.

Dabei bleibt zentral: ABMs ersetzen empirische Forschung nicht, sondern ergänzen sie, indem sie Theorien schärfen, Mechanismen sichtbar machen und Hypothesen generieren, die anschließend mit Daten geprüft werden müssen.