論文の概要: PolBiX: Detecting LLMs' Political Bias in Fact-Checking through X-phemisms

• arxiv url: http://arxiv.org/abs/2509.15335v1
• Date: Thu, 18 Sep 2025 18:26:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.864733
• Title: PolBiX: Detecting LLMs' Political Bias in Fact-Checking through X-phemisms
• Title（参考訳）: PolBiX:Fact-Checking in X-phemismsでLLMの政治的バイアスを検出する
• Authors: Charlott Jakob, David Harbecke, Patrick Parschan, Pia Wenzel Neves, Vera Schmitt,
• Abstract要約: 本研究は,ドイツの主張において,エウヘミズムやディフェミズムと言葉を交換することで,政治的偏見を体系的に調査する。 政治的傾向よりも、判断的単語の存在が真理性評価に大きく影響していることが分かる。 いくつかのモデルでは政治的偏見の傾向を示しているが、これはプロンプトにおける客観主義を明示的に求めることによって緩和されるものではない。
• 参考スコア（独自算出の注目度）: 1.0439136407307046
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large Language Models are increasingly used in applications requiring objective assessment, which could be compromised by political bias. Many studies found preferences for left-leaning positions in LLMs, but downstream effects on tasks like fact-checking remain underexplored. In this study, we systematically investigate political bias through exchanging words with euphemisms or dysphemisms in German claims. We construct minimal pairs of factually equivalent claims that differ in political connotation, to assess the consistency of LLMs in classifying them as true or false. We evaluate six LLMs and find that, more than political leaning, the presence of judgmental words significantly influences truthfulness assessment. While a few models show tendencies of political bias, this is not mitigated by explicitly calling for objectivism in prompts.
• Abstract（参考訳）: 大規模言語モデルは、客観的評価を必要とするアプリケーションでますます使われており、政治的偏見によって妥協される可能性がある。 多くの研究は、LLMの左利きの位置を好むが、ファクトチェックのようなタスクに対する下流の影響は未調査のままである。 本研究では,ドイツの主張において,ユーフェミズムやディフェミズムと言葉を交換することで,政治的偏見を体系的に調査する。 我々は、政治的意味において異なる事実的に等価な主張の最小対を構築し、それらが真または偽であると分類する際のLLMの整合性を評価する。 我々は6つのLSMを評価し,政治的傾向よりも判断語の存在が真性評価に大きく影響していることを見出した。 いくつかのモデルでは政治的偏見の傾向を示しているが、これはプロンプトにおける客観主義を明示的に求めることによって緩和されるものではない。

関連論文リスト

• Analyzing Political Bias in LLMs via Target-Oriented Sentiment Classification [4.352835414206441]
  LLMによって符号化された政治的バイアスは下流のアプリケーションに有害な影響を及ぼす可能性がある。 我々は,LLMの感情予測が同一文の目的語と異なるという観察を活用する新しいアプローチを提案する。 我々は、人口統計学的および政治的に多様な政治家名を450の政治文に挿入し、6つの広く話される言語で7つのモデルを用いて目標志向の感情を予測する。
  論文  参考訳（メタデータ） (2025-05-26T10:01:24Z)
• Through the LLM Looking Glass: A Socratic Probing of Donkeys, Elephants, and Markets [42.55423041662188]
  この研究は、外部解釈に頼るのではなく、モデルのバイアスを直接測定することを目的としている。 我々の結果は、あらゆるモデルで共和党の立場よりも民主党を一貫して好んでいることを示している。 経済の話題では、西洋のLLMには偏見があるが、中国で開発されたものは社会主義に強く依存している。
  論文  参考訳（メタデータ） (2025-03-20T19:40:40Z)
• Large Language Models Reflect the Ideology of their Creators [71.65505524599888]
  大規模言語モデル(LLM)は、自然言語を生成するために大量のデータに基づいて訓練される。 本稿では, LLMのイデオロギー的姿勢が創造者の世界観を反映していることを示す。
  論文  参考訳（メタデータ） (2024-10-24T04:02:30Z)
• Whose Side Are You On? Investigating the Political Stance of Large Language Models [56.883423489203786]
  大規模言語モデル(LLM)の政治的指向性について,8つのトピックのスペクトルにわたって検討する。 我々の調査は、中絶からLGBTQ問題まで8つのトピックにまたがるLLMの政治的整合性について考察している。 この結果から,ユーザはクエリ作成時に留意すべきであり,中立的なプロンプト言語を選択する際には注意が必要であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-15T04:02:24Z)
• Political Compass or Spinning Arrow? Towards More Meaningful Evaluations for Values and Opinions in Large Language Models [61.45529177682614]
  我々は,大規模言語モデルにおける価値と意見の制約評価パラダイムに挑戦する。 強制されない場合、モデルが実質的に異なる答えを与えることを示す。 我々はこれらの知見をLLMの価値と意見を評価するための推奨とオープンな課題に抽出する。
  論文  参考訳（メタデータ） (2024-02-26T18:00:49Z)
• The Political Preferences of LLMs [0.0]
  私は、テストテイカーの政治的嗜好を特定するために、11の政治的指向テストを実行し、24の最先端の会話型LLMを実行します。 ほとんどの会話型LLMは、ほとんどの政治的テスト機器によって、中心の視点の好みを示すものとして認識される応答を生成する。 LLMは、スーパービジョンファインチューニングを通じて、政治スペクトルの特定の場所に向けて操れることを実証します。
  論文  参考訳（メタデータ） (2024-02-02T02:43:10Z)
• What Do Llamas Really Think? Revealing Preference Biases in Language Model Representations [62.91799637259657]
  大規模言語モデル(LLMs)は、応答を辞退しても、社会的な偏見を示すか? 本研究は,文脈的埋め込みを探索し,このバイアスが潜在表現にエンコードされているかどうかを探索することによって検討する。 単語の隠れベクトルからLLMの単語ペア選好を予測するロジスティックなBradley-Terryプローブを提案する。
  論文  参考訳（メタデータ） (2023-11-30T18:53:13Z)
• Exploring the Jungle of Bias: Political Bias Attribution in Language Models via Dependency Analysis [86.49858739347412]
  大規模言語モデル(LLM)は、これらのモデルにおけるバイアスの頻度とその緩和に関する激しい議論を引き起こしている。 本稿では,意思決定プロセスに寄与する属性の抽出と仲介を行うためのプロンプトベースの手法を提案する。 観察された異なる治療は、少なくとも部分的には、属性の相違とモデルの相違によるものであることが判明した。
  論文  参考訳（メタデータ） (2023-11-15T00:02:25Z)

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。