論文の概要: MMPersuade: A Dataset and Evaluation Framework for Multimodal Persuasion

• arxiv url: http://arxiv.org/abs/2510.22768v1
• Date: Sun, 26 Oct 2025 17:39:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.358438
• Title: MMPersuade: A Dataset and Evaluation Framework for Multimodal Persuasion
• Title（参考訳）: MMPersuade:マルチモーダル・パーサージョンのためのデータセットと評価フレームワーク
• Authors: Haoyi Qiu, Yilun Zhou, Pranav Narayanan Venkit, Kung-Hsiang Huang, Jiaxin Zhang, Nanyun Peng, Chien-Sheng Wu,
• Abstract要約: LVLM(Large Vision-Language Models)は、ショッピング、健康、ニュースなどの分野に展開されている。 MMPersuadeはLVLMにおけるマルチモーダルパーサージョンダイナミクスを体系的に研究するための統一的なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 73.99171322670772
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As Large Vision-Language Models (LVLMs) are increasingly deployed in domains such as shopping, health, and news, they are exposed to pervasive persuasive content. A critical question is how these models function as persuadees-how and why they can be influenced by persuasive multimodal inputs. Understanding both their susceptibility to persuasion and the effectiveness of different persuasive strategies is crucial, as overly persuadable models may adopt misleading beliefs, override user preferences, or generate unethical or unsafe outputs when exposed to manipulative messages. We introduce MMPersuade, a unified framework for systematically studying multimodal persuasion dynamics in LVLMs. MMPersuade contributes (i) a comprehensive multimodal dataset that pairs images and videos with established persuasion principles across commercial, subjective and behavioral, and adversarial contexts, and (ii) an evaluation framework that quantifies both persuasion effectiveness and model susceptibility via third-party agreement scoring and self-estimated token probabilities on conversation histories. Our study of six leading LVLMs as persuadees yields three key insights: (i) multimodal inputs substantially increase persuasion effectiveness-and model susceptibility-compared to text alone, especially in misinformation scenarios; (ii) stated prior preferences decrease susceptibility, yet multimodal information maintains its persuasive advantage; and (iii) different strategies vary in effectiveness across contexts, with reciprocity being most potent in commercial and subjective contexts, and credibility and logic prevailing in adversarial contexts. By jointly analyzing persuasion effectiveness and susceptibility, MMPersuade provides a principled foundation for developing models that are robust, preference-consistent, and ethically aligned when engaging with persuasive multimodal content.
• Abstract（参考訳）: LVLM(Large Vision-Language Models)は、ショッピング、健康、ニュースなどの領域にますます展開されているため、広範にわたる説得的コンテンツに晒されている。 重要な疑問は、これらのモデルがどのように説得方法として機能し、なぜ説得力のあるマルチモーダル入力の影響を受けられるのかである。 過度に説得可能なモデルは、誤解を招く信念を採用し、ユーザの好みを覆い、操作的メッセージに晒されると非倫理的または安全でないアウトプットを生成するため、説得への感受性と異なる説得戦略の有効性の両方を理解することが重要である。 LVLMにおけるマルチモーダル説得力学を体系的に研究するための統一フレームワークMMPersuadeを紹介する。 MMPersuadeが貢献 一 画像及び映像を商業的、主観的、行動的、敵対的文脈にまたがる確立した説得原則と組み合わせた総合的マルチモーダルデータセット 二 第三者合意スコアリング及び会話履歴における自己推定トークン確率を用いて、説得の有効性とモデル感受性の両方を定量化する評価枠組み。 説得者としての6つの主要なLVLMに関する我々の研究は、3つの重要な洞察をもたらす。 (i)マルチモーダル入力は、特に誤情報の場合において、テキストのみに比較して、説得の有効性とモデル感受性を大幅に向上させる。 (二)先述の嗜好は、感受性を低下させるが、マルチモーダル情報は、その説得力のある優位性を維持する。 三 相互性は、商業的・主観的文脈において最も強力なものであり、敵的文脈において信頼性と論理が優勢である。 MMPersuadeは、説得の有効性と感受性を共同で分析することにより、説得力のあるマルチモーダルコンテンツを扱う際に、堅牢で、好ましく、倫理的に整合したモデルを開発するための、原則化された基盤を提供する。

関連論文リスト

• Disagreements in Reasoning: How a Model's Thinking Process Dictates Persuasion in Multi-Agent Systems [49.69773210844221]
  本稿では,説得力はモデルスケールの関数である,という一般的な仮説に挑戦する。 一連のマルチエージェントの説得実験を通じて、パーサーション・デュナリティ(Persuasion Duality)と呼ばれる基本的なトレードオフを明らかにする。 以上の結果から, LRMの推理過程は説得に対する抵抗性が大きく, 当初の信念をより堅固に維持していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-09-25T12:03:10Z)
• Debating for Better Reasoning: An Unsupervised Multimodal Approach [56.74157117060815]
  議論のパラダイムをマルチモーダルな設定に拡張し、より弱いモデルがより強力なモデルの性能を監督し、強化する可能性を探る。 視覚的質問応答 (VQA) に焦点をあて, 2つの「目に見える」専門家の視覚言語モデルが解答について議論する一方, 「盲目」(テキストのみ)の判断は議論の品質にのみ依存する。 この枠組みでは, 専門家は信念に沿う回答のみを守り, 明示的な役割プレーの必要性を排除し, 専門家の不一致の事例に議論を集中させる。
  論文  参考訳（メタデータ） (2025-05-20T17:18:17Z)
• Must Read: A Systematic Survey of Computational Persuasion [60.83151988635103]
  AI駆動の説得は、有益なアプリケーションに活用することができるが、操作と非倫理的な影響を通じて脅威を引き起こす。 本調査では,AIによる説得の安全性,公平性,有効性を高めるための今後の研究方針について概説する。
  論文  参考訳（メタデータ） (2025-05-12T17:26:31Z)
• 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)
• Persuasion Should be Double-Blind: A Multi-Domain Dialogue Dataset With Faithfulness Based on Causal Theory of Mind [21.022976907694265]
  最近の説得的対話データセットは、実世界の対人インタラクションと一致しないことが多い。 ToMMAは、心の因果理論によって導かれる対話生成のための新しいマルチエージェントフレームワークである。 マルチドメイン・マルチターン・パーサッシブ・ダイアログ・データセットであるCTOMPersuを提案する。
  論文  参考訳（メタデータ） (2025-02-28T18:28:16Z)
• Lies, Damned Lies, and Distributional Language Statistics: Persuasion and Deception with Large Language Models [0.913127392774573]
  LLM(Large Language Models)は、人間が書いたテキストと同じくらい説得力のあるコンテンツを生成し、選択的に認識出力を生成することができる。 これらの機能は、これらのシステムがより広くデプロイされるにつれて、潜在的な誤用や意図しない結果に対する懸念を引き起こす。
  論文  参考訳（メタデータ） (2024-12-22T18:34:10Z)
• 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)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• Strategic Argumentation Dialogues for Persuasion: Framework and Experiments Based on Modelling the Beliefs and Concerns of the Persuadee [6.091096843566857]
  特定の対話において議論が良いかどうかを決定するための2つの重要な次元は、意図する観衆が議論と反論を信じる程度であり、議論が意図する観衆の関心に与える影響である。 本稿では,これらのモデルを用いて,説得的対話における移動の選択を最適化する枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-28T08:49:24Z)

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。