論文の概要: Towards Strategic Persuasion with Language Models

• arxiv url: http://arxiv.org/abs/2509.22989v1
• Date: Fri, 26 Sep 2025 23:00:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.96709
• Title: Towards Strategic Persuasion with Language Models
• Title（参考訳）: 言語モデルを用いた戦略的説得に向けて
• Authors: Zirui Cheng, Jiaxuan You,
• Abstract要約: 大規模言語モデル(LLM)は、人間のものと同等の強い説得能力を示している。 LLMの説得能力を測定するためのスケーラブルで原則化されたフレームワークを提供するために、理論駆動のアプローチを採用する。
• 参考スコア（独自算出の注目度）: 23.7697785759693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have demonstrated strong persuasive capabilities comparable to those of humans, offering promising benefits while raising societal concerns about their deployment. However, systematically evaluating the persuasive capabilities of LLMs is inherently challenging, as the effectiveness of persuasion among humans varies significantly across different domains. In this paper, we take a theory-driven approach to provide a scalable and principled framework for measuring the persuasive capabilities of LLMs. Grounded in the Bayesian Persuasion (BP) framework, we repurpose existing human-human persuasion datasets to construct environments for evaluating and training LLMs in strategic persuasion. Our results reveal that frontier models can consistently achieve high persuasion gains and exhibit sophisticated persuasion strategies that align with theoretical predictions. Building on this, we use reinforcement learning to train LLMs for strategic persuasion in our environments. Our results also demonstrate that even small LLMs can obtain significantly higher persuasion gains through reinforcement learning.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、人間に匹敵する強力な説得力を示し、そのデプロイに対する社会的懸念を高めながら、有望な利益を提供している。 しかしながら、LLMの説得能力の体系的評価は本質的に困難であり、人間による説得の有効性はドメインによって大きく異なる。 本稿では,LLMの説得能力を測定するための,スケーラブルで原則化されたフレームワークを提供するための理論駆動型アプローチを提案する。 ベイズパースケーション(BP)フレームワークを基盤として,既存の人間と人間のパースケーションデータセットを再利用し,戦略的パースケーションにおけるLCMの評価とトレーニングのための環境を構築する。 以上の結果から,フロンティアモデルは高い説得力を達成することができ,理論的予測と整合した高度な説得戦略を示すことができることがわかった。 これに基づいて,我々の環境における戦略的説得のために,強化学習を用いてLLMを訓練する。 また,LLMの小型化においても,強化学習により高い説得力が得られることを示した。

関連論文リスト

• ICLShield: Exploring and Mitigating In-Context Learning Backdoor Attacks [61.06621533874629]
  In-context Learning (ICL)は、大規模言語モデル(LLM)において顕著な成功を収めた。 本稿では,LLMがタスク関連潜伏概念とバックドア関連潜伏概念の両方を同時に学習する,という二重学習仮説を初めて提案する。 そこで本研究では,概念選好比を動的に調整する防衛機構であるICLShieldを提案する。
  論文  参考訳（メタデータ） (2025-07-02T03:09:20Z)
• A Simple "Motivation" Can Enhance Reinforcement Finetuning of Large Reasoning Models [103.88578274567784]
  MeRF(Motivation-enhanced Reinforcement Finetuning)は、大規模共振モデルの強化微調整を強化する直感的かつ効果的な方法である。 MeRFは報酬仕様を直接プロンプトに注入し、最適化目標を認識するためのコンテキスト内モチベーションとして機能する。 MeRFはRLVRベースラインよりもパフォーマンスが大幅に向上する。
  論文  参考訳（メタデータ） (2025-06-23T10:37:57Z)
• On the Adaptive Psychological Persuasion of Large Language Models [37.18479986426215]
  我々は,Large Language Models (LLMs) が自律的に説得し,説得に抵抗できることを示した。 総合的な心理的説得戦略を11つ導入する。 最適戦略を自律的に選択するようにLLMを訓練する適応型フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-07T13:52:50Z)
• LLM Agents for Bargaining with Utility-based Feedback [23.357706450282002]
  ユーティリティベースのフィードバックを中心とした包括的フレームワークを導入する。 1)新しいベンチマークデータセットであるBargainArena,(2)ユーティリティ理論にインスパイアされた人力による経済的な評価指標,(3)LCMを反復的にバリ取り戦略を洗練させる構造的フィードバックメカニズムである。
  論文  参考訳（メタデータ） (2025-05-29T02:07:27Z)
• Persuade Me if You Can: A Framework for Evaluating Persuasion Effectiveness and Susceptibility Among Large Language Models [9.402740034754455]
  大きな言語モデル(LLM)は、人間レベルの説得と競合する説得力を示す。 LLMの説得への感受性は、倫理的原則との整合性に関する懸念を提起する。 マルチエージェントインタラクションによる説得評価フレームワークPersuade Me If You Can (PMIYC)を紹介した。
  論文  参考訳（メタデータ） (2025-03-03T18:53:21Z)
• EPO: Explicit Policy Optimization for Strategic Reasoning in LLMs via Reinforcement Learning [69.55982246413046]
  戦略的推論のための明示的なポリシー最適化(EPO)を提案する。 我々は,マルチターン強化学習(RL)による戦略的推論モデルを訓練し,プロセス報酬と反復的な自己プレイを活用する。 本研究は, EPOに出現する様々な協調的推論機構と, 新規戦略の創出における有効性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-18T03:15:55Z)
• Persuasion with Large Language Models: a Survey [49.86930318312291]
  大規模言語モデル (LLM) は説得力のあるコミュニケーションに新たな破壊的可能性を生み出している。 政治、マーケティング、公衆衛生、電子商取引、慈善事業などの分野では、LLMシステムズは既に人間レベルや超人的説得力を達成している。 LLMをベースとした説得の現在と将来の可能性は、倫理的・社会的リスクを著しく引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2024-11-11T10:05:52Z)
• Can Language Models Recognize Convincing Arguments? [12.458437450959416]
  大規模言語モデル(LLM)は、説得力のある物語を創造し広める可能性について懸念を提起している。 本研究は、説得力のある議論を検知し、その説得力に関する洞察を得るための性能について研究する。
  論文  参考訳（メタデータ） (2024-03-31T17:38:33Z)

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。