사전 지식 활용 추론과 문맥 학습 기반 LLM 협상 및 중재 에이전트 연구 = Knowledge Guided Reasoning and Contextual Learning for LLM Based Negotiation and Mediation Agent

다국어 초록 (Multilingual Abstract)

Recent advances in Large Language Models (LLMs) have significantly expanded their capabilities beyond simple information processing and text generation, toward emulating human-like social communication skills such as emotional empathy, persuasion, and responsibility-based decision-making. This progress highlights the potential of LLMs to function as autonomous agents in cooperative or conflict-driven situations involving social interaction. Negotiation, in particular, is a representative domain of complex social decision-making where conflicting goals and emotional tension are intertwined, requiring human-level understanding and coordination. However, existing studies have primarily focused on simplified exchange scenarios that can be easily quantified, such as price negotiations, leaving empirical investigations on emotional conflict resolution and strategic mediation capabilities relatively unexplored. Moreover, systematic analyses of prompt-based strategy control and the quantitative effects of third-party mediation remain limited. Motivated by these gaps, this study aims to examine the emotion-aware social interaction abilities of LLMs, focusing on their potential roles as negotiation agents and mediators. Specifically, we first analyzed the ability of modern LLMs to perceive and respond to emotionally charged conversational dynamics. Further, we conducted AI-to-AI negotiation experiments under affectively intense
conflict scenarios using GPT-3.5-turbo, GPT-4, and Claude Opus 4.1. We compared changes in negotiation capability and agreement achievement across identical scenarios based on two factors: (1) the application of refined prompts incorporating emotional expression and strategic guidance, and (2) the inclusion of a third-party mediator LLM. Negotiation outcomes were evaluated using Pareto Efficiency Frontier analysis to assess mutual benefit and Jensen–Shannon Divergence (JSD) to quantify fairness and strategic balance. We additionally measured negotiation persistence through dialogue length and agreement rates. The results demonstrate that more advanced LLMs exhibit higher stability in emotional responsiveness and fairness-oriented decision-making. The presence of a mediator significantly improved negotiation continuity, conflict mitigation, and
agreement rates. Strategic prompting further enhanced both negotiation efficiency and persuasive capability, with measurable differences in persuasive strategies across models. These findings suggest that LLMs can serve not merely as language generators, but as negotiation actors capable of interpreting social context and facilitating conflict resolution. This study contributes to the advancement of LLM-based social decision-making research by experimentally verifying their role in emotional negotiation settings. The results provide foundational insights for future developments in human–AI and AI–AI interaction design, as well as AI-driven conflict mediation systems.

국문 초록 (Abstract)

최근 대규모 언어 모델(Large Language Models, LLMs)의 급격한 성능 향상은 단순한 정보 처리나 문장 생성 능력을 넘어, 감정적 공감, 설득, 책임성 기반의 의사결정 등 인간 고유의 사회적 의사소통 역량을 점차 모사하고 있다. 이에 따라 LLM이 참여하거나, 또 서로 상호작용하는 협력·갈등 상황에서의 행위 주체로 기능할 수 있는 가능성이 주목받고 있다. 특히 협상 영역은 목표 충돌과 감정적 긴장이 결합된 대표적인 사회적 의사결정 상황으로, 인간 수준의 이해 및 조율 능력을 요구한다. 그러나 기존 연구는 가격 제안과 같이 정량화가 용이한 단순 교환 문제에 집중되어 있으며, 감정적 표현을 수반한 갈등 조율이나 전략적 중재 능력에 대한 실증 연구는 여전히 부족하다. 또한 협상 전략을 제어할 수 있는 체계적인 프롬프트 설계와, 제3자의 중재 개입 효과에 대한 정량적 분석도 제한적으로 이루어져 왔다. 이러한 문제의식을 바탕으로 본 연구는 LLM의 감정 기반 사회적 상호작용 능력을 협상 주체 및 중재자 역할 수행관점에서 분석하는 것을 목적으로 한다. 구체적으로 대규모 언어 모델이 감정적으로 격양된 상황에서의 대화 흐름을 파악하는 여부를 분석하고 더 나아가 GPT-3.5-turbo, GPT-4, Claude Opus 4.1을 활용하여 감정적으로 격한 갈등 상황을 포함한 AI 간 협상 실험을 수행하였다. 그리고 동일한 시나리오에서 제3자 중재자 LLM의 도입 여부 그리고 감정 표현 및 전략 지시를 포함한 정교한 프롬프트 적용 여부에 따른 협상 역량 변화와 합의 도달 수준을 비교하였다. 협상 성과 평 가는 파레토 효율 곡선(Pareto Efficiency Frontier) 분석을 통해 상호이익 달성 정도를 측정하고, Jensen–Shannon Divergence(JSD)를 활용하여 전략 균형성 및 공정성의 정량적 차이를 분석하였다. 또한 대화 지속 길이 및 합의 도달률 지표를 추가하여 협상 유지 능력에 대한 평가를 수행하였다. 연구 결과, 고성능 LLM일수록 감정적 상대방 대응 능력 및 공정성 기반 의사결정이 더 안정적으로 유지되는 경향을 보였으며, 특히 중재자 개입 시 협상 지속성, 갈등 완화, 합의 달성률이 유의하게 증가하였다. 또한 전략 프롬프트 적용은 협상 효율성과 설득력 모두에 긍정적 영향을 주는 것으로 나타났으며, 모델 간 설득 전략의 차이가 정량적으로 확인되었다. 이는 LLM이 단순한 언어생성기를 넘어 사회적 맥락을 해석하고 갈등을 조율할 수 있는 협상 행위자로 기능할 수 있음을 시사한다. 본 연구는 감정적·사회적 협상 환경에서의 LLM 역할을 실험적으로 검증 했다는 점에서 기존 연구의 한계를 보완하며, 향후 인간–AI 및 AI–AI 간 상호작용 설계, AI 기반 갈등 중재 시스템 개발에 있어 중요한 기초자료로 활용될 수 있을 것이다.

목차 (Table of Contents)

• 1. 서론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구 내용 및 방법 3
• 2. 관련 연구 6
• 2.1 협상의 정의와 중재의 정의 6
• 2.2 프롬프트 엔지니어링 기법들 7
• 2.2.1 Chain-of-Thoughts 7
• 2.2.2 In-Context Learning 7
• 2.3 파레토 효율성과 내시 균형점 9
• 2.4 협상과 관련된 연구들 10
• 3. 제안하는 방법 12
• 3.1 LLM의 문맥 파악력 분석 12
• 3.2 AI 간의 협상 14
• 3.3 전략적 지시사항 적용 후의 협상 진행 18
• 4. 실험 결과 20
• 4.1 LLM의 문맥 파악력 분석 결과 20
• 4.2 AI-AI 협상 결과 23
• 4.3 전략적 프롬프트 기반 협상 결과 분석 27
• 5. 결론 및 향후 연구 32
• 참고문헌 34
• ABSTRACT 36