Environnements ludiques et persuasifs pour le développement de LLMs multi-agents // Gaming and persuasive environments for the development of multi-agent LLMs

Cette thèse propose d'étudier l'utilisation des grands modèles de langage comme agents dans des environnements multi-agents évolutifs, adaptatifs et persuasifs. Si les travaux récents montrent que les agents fondés sur les LLM peuvent soutenir la décomposition de tâches, le raisonnement collaboratif et les interactions stratégiques, les cadres actuels restent limités lorsqu'ils sont déployés dans des contextes dynamiques, non structurés et à grande échelle. Ils rencontrent notamment des difficultés liées à la coordination entre de nombreux agents, à la résolution de conflits, à la révision des croyances, et au raisonnement robuste dans des conditions changeantes. Cette thèse vise à lever ces verrous en développant des algorithmes inspirés des jeux pour la communication et l'allocation des rôles, des mécanismes de révision des croyances pour les environnements dynamiques, des méthodes de raisonnement hybrides combinant IA symbolique et apprentissage par renforcement, ainsi que des architectures augmentées par mémoire pour le raisonnement orienté objectif à long terme. L'objectif est de contribuer à une nouvelle génération de systèmes multi-agents fondés sur les LLM, plus évolutifs, adaptatifs et capables de raisonnement complexe et de résolution collaborative de problèmes.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This thesis proposal investigates the use of Large Language Models as agents in scalable, adaptive, and persuasive multi-agent environments. While recent work has shown that LLM-based agents can support task decomposition, collaborative reasoning, and strategic interaction, current frameworks remain limited when deployed in large-scale, dynamic, and unstructured settings. In particular, they face challenges related to coordination among many agents, conflict resolution, belief revision, long-term memory, and robust reasoning under changing conditions. The proposed research aims to address these limitations by developing gaming-inspired algorithms for communication and role allocation, belief revision mechanisms for dynamic environments, hybrid reasoning methods combining symbolic AI and reinforcement learning, and memory-augmented architectures for extended goal-oriented reasoning. The expected outcome is a new generation of multi-agent LLM systems that are more scalable, adaptable, and capable of complex reasoning and collaborative problem solving. This work has potential applications in strategic decision-making, persuasive environments, and robust AI-assisted collective intelligence.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Financement d'un établissement public Français

Université d'Artois

585 Sciences, Technologie, Santé

- Master ou équivalent en Mathématique/informatique ou autres disciplines pertinentes. - Solide expérience en apprentissage automatique et en traitement du langage naturel - Excellentes compétences en programmation - Excellent sens de l'organisation avec une capacité avérée à travailler de manière autonome, à prioriser le travail et à respecter les délais dans le cadre d'un programme convenu.
- Master Degree or equivalent in Math or Computer Science or other relevant disciplines. - Strong background in machine learning and natural language processing - Excellent AI programming skills - Excellent organisational skills with a proven ability to work independently, to prioritise work and meet deadlines within the framework of an agreed programme.