論文の概要: Abusive text transformation using LLMs

• arxiv url: http://arxiv.org/abs/2507.10177v1
• Date: Mon, 14 Jul 2025 11:39:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:24.770832
• Title: Abusive text transformation using LLMs
• Title（参考訳）: LLMを用いた乱用テキスト変換
• Authors: Rohitash Chandra, Jiyong Choi,
• Abstract要約: 大規模言語モデル(LLM)は自然言語処理タスクにおいて大きな進歩を見せている。 本研究では、ヘイトスピーチを特徴とする嫌がらせテキスト(つぶやきやレビュー)を非嫌悪テキストに変換するためにLLMを使うことを目的とする。 Gemini, GPT-4o, DeekSeek, Groq といった最先端の2つの LLM の性能評価を行った。
• 参考スコア（独自算出の注目度）: 0.196629787330046
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Although Large Language Models (LLMs) have demonstrated significant advancements in natural language processing tasks, their effectiveness in the classification and transformation of abusive text into non-abusive versions remains an area for exploration. In this study, we aim to use LLMs to transform abusive text (tweets and reviews) featuring hate speech and swear words into non-abusive text, while retaining the intent of the text. We evaluate the performance of two state-of-the-art LLMs, such as Gemini, GPT-4o, DeekSeek and Groq, on their ability to identify abusive text. We them to transform and obtain a text that is clean from abusive and inappropriate content but maintains a similar level of sentiment and semantics, i.e. the transformed text needs to maintain its message. Afterwards, we evaluate the raw and transformed datasets with sentiment analysis and semantic analysis. Our results show Groq provides vastly different results when compared with other LLMs. We have identified similarities between GPT-4o and DeepSeek-V3.
• Abstract（参考訳）: 大規模言語モデル (LLMs) は自然言語処理タスクにおいて顕著な進歩を見せているが、乱用テキストの分類と非乱用バージョンへの変換におけるその効果は依然として探索の領域である。 本研究では、LLMを用いてヘイトスピーチを特徴とする嫌悪テキスト(ツイートやレビュー)を変換し、テキストの意図を維持しつつ、言葉を非嫌悪テキストに変換することを目的とする。 Gemini, GPT-4o, DeekSeek, Groq といった最先端の2つの LLM の性能評価を行った。 我々は、虐待的で不適切なコンテンツからクリーンなテキストを変換し得るが、同様のレベルの感情と意味論、すなわち、変換されたテキストはそのメッセージを維持する必要がある。 その後、感情分析と意味分析を用いて生のデータセットと変換データセットを評価した。 以上の結果から,Groqは他のLSMと比較した場合とは大きく異なる結果が得られた。 我々はGPT-4oとDeepSeek-V3の類似性を同定した。

関連論文リスト

• Idiosyncrasies in Large Language Models [54.26923012617675]
  大規模言語モデル(LLM)における慣用句の公開と研究 LLM生成テキストへの微調整テキスト埋め込みモデルにより,優れた分類精度が得られることがわかった。 我々はLLMを審査員として利用し、各モデルの慣用句の詳細かつオープンな記述を生成する。
  論文  参考訳（メタデータ） (2025-02-17T18:59:02Z)
• Detecting Document-level Paraphrased Machine Generated Content: Mimicking Human Writing Style and Involving Discourse Features [57.34477506004105]
  機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。 これらの課題を克服するために、新しい方法論とデータセットを導入します。 人間の筆記スタイルをエミュレートするエンコーダデコーダモデルであるMhBARTを提案する。 また,PDTB前処理による談話解析を統合し,構造的特徴を符号化するモデルであるDTransformerを提案する。
  論文  参考訳（メタデータ） (2024-12-17T08:47:41Z)
• Can Large Language Models (or Humans) Disentangle Text? [6.858838842613459]
  本研究では,大言語モデル (LLM) がテキスト変数をアンタングル化する可能性について検討する。 対象変数に関する情報を識別・削除することでテキストのアンタングルを解消するために,様々な LLM アプローチを採用している。 感情を除去する強力なテストでは、処理されたテキストと感情の統計的関連が、機械学習の分類器で検出可能であることを示す。
  論文  参考訳（メタデータ） (2024-03-25T09:51:54Z)
• Beware of Words: Evaluating the Lexical Diversity of Conversational LLMs using ChatGPT as Case Study [3.0059120458540383]
  対話型大言語モデル(LLM)が生成するテキストの語彙的リッチ性の評価と,それがモデルパラメータにどのように依存するかを検討する。 その結果、語彙豊かさがChatGPTのバージョンと、そのパラメータのいくつか、例えば存在ペナルティやモデルに割り当てられた役割にどのように依存しているかが示される。
  論文  参考訳（メタデータ） (2024-02-11T13:41:17Z)
• WatME: Towards Lossless Watermarking Through Lexical Redundancy [58.61972059246715]
  本研究では,認知科学レンズを用いた大規模言語モデル(LLM)の異なる機能に対する透かしの効果を評価する。 透かしをシームレスに統合するための相互排他型透かし(WatME)を導入する。
  論文  参考訳（メタデータ） (2023-11-16T11:58:31Z)
• HateRephrase: Zero- and Few-Shot Reduction of Hate Intensity in Online Posts using Large Language Models [4.9711707739781215]
  本稿では,投稿前にもヘイトスピーチ内容の表現を示唆するアプローチについて検討する。 タスク記述、ヘイト定義、数発のデモ、思考の連鎖に基づく4つの異なるプロンプトを開発する。 GPT-3.5は,様々な種類のプロンプトに対して,ベースラインモデルやオープンソースモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:18:29Z)
• Towards Codable Watermarking for Injecting Multi-bits Information to LLMs [86.86436777626959]
  大規模言語モデル(LLM)は、流布とリアリズムを増大させるテキストを生成する。 既存の透かし方式はエンコーディング非効率であり、多様な情報エンコーディングニーズに柔軟に対応できない。 テキスト透かしを複数ビットでカスタマイズ可能な情報を運ぶことができるCTWL (Codable Text Watermarking for LLMs) を提案する。
  論文  参考訳（メタデータ） (2023-07-29T14:11:15Z)
• Red Teaming Language Model Detectors with Language Models [114.36392560711022]
  大規模言語モデル(LLM)は、悪意のあるユーザによって悪用された場合、重大な安全性と倫理的リスクをもたらす。 近年,LLM生成テキストを検出し,LLMを保護するアルゴリズムが提案されている。 1) LLMの出力中の特定の単語を, 文脈が与えられたシノニムに置き換えること, 2) 生成者の書き方を変更するための指示プロンプトを自動で検索すること,である。
  論文  参考訳（メタデータ） (2023-05-31T10:08:37Z)
• MAGE: Machine-generated Text Detection in the Wild [82.70561073277801]
  大規模言語モデル(LLM)は人間レベルのテキスト生成を実現し、効果的なAI生成テキスト検出の必要性を強調している。 我々は、異なるLLMによって生成される多様な人文やテキストからテキストを収集することで、包括的なテストベッドを構築する。 問題にもかかわらず、トップパフォーマンス検出器は、新しいLCMによって生成された86.54%のドメイン外のテキストを識別することができ、アプリケーションシナリオの実現可能性を示している。
  論文  参考訳（メタデータ） (2023-05-22T17:13:29Z)
• DPIC: Decoupling Prompt and Intrinsic Characteristics for LLM Generated Text Detection [56.513637720967566]
  大規模言語モデル(LLM)は、盗作、eコマースプラットフォームへの偽レビューの設置、炎症性偽ツイートなどの誤用のリスクを引き起こすテキストを生成することができる。 既存の高品質な検出手法では、本質的な特徴を抽出するために、モデルの内部にアクセスする必要がある。 ブラックボックスモデル生成テキストの深い内在特性を抽出する。
  論文  参考訳（メタデータ） (2023-05-21T17:26:16Z)
• Semantic Compression With Large Language Models [1.0874100424278175]
  大規模言語モデル(LLM)は、情報検索、質問応答、要約、コード生成タスクに革命をもたらしている。 LLMは本質的に、一度に処理できる入力トークンと出力トークンの数によって制限される。 本稿では,LLMの研究への3つの貢献について述べる。
  論文  参考訳（メタデータ） (2023-04-25T01:47:05Z)
• Abuse is Contextual, What about NLP? The Role of Context in Abusive Language Annotation and Detection [2.793095554369281]
  我々は、メッセージの憎しみのあるコンテンツが文脈に基づいて判断されたときに何が起こるかを調べる。 英語における乱用言語検出のための広範に使用されるデータセットの一部を,まず2つの条件で再注釈した。 文脈を伴わない。
  論文  参考訳（メタデータ） (2021-03-27T14:31:52Z)
• Adversarial Watermarking Transformer: Towards Tracing Text Provenance with Data Hiding [80.3811072650087]
  自然言語の透かしを防御として研究し,テキストの出所の発見と追跡に役立てる。 本稿では,適応型透かし変換器(AWT)とエンコーダ・デコーダ・デコーダを併用した対向型透かし変換器(AWT)について述べる。 AWTは、テキストにデータを隠蔽する最初のエンドツーエンドモデルである。
  論文  参考訳（メタデータ） (2020-09-07T11:01:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。