論文の概要: Why is "Chicago" Predictive of Deceptive Reviews? Using LLMs to Discover Language Phenomena from Lexical Cues

• arxiv url: http://arxiv.org/abs/2511.13658v1
• Date: Mon, 17 Nov 2025 18:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 18:52:09.666593
• Title: Why is "Chicago" Predictive of Deceptive Reviews? Using LLMs to Discover Language Phenomena from Lexical Cues
• Title（参考訳）: なぜ「シカゴ」は知覚的レビューを予測しているのか?-LLMを用いて語彙的クイズから言語現象を解明する
• Authors: Jiaming Qu, Mengtian Guo, Yue Wang,
• Abstract要約: 大規模言語モデルでは,機械学習した語彙列を人間の理解可能な言語現象に変換することができる。 これらの言語現象は、オンラインレビューの信頼性を批判的に評価するのに役立つ可能性がある。
• 参考スコア（独自算出の注目度）: 3.456909406678704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deceptive reviews mislead consumers, harm businesses, and undermine trust in online marketplaces. Machine learning classifiers can learn from large amounts of training examples to effectively distinguish deceptive reviews from genuine ones. However, the distinguishing features learned by these classifiers are often subtle, fragmented, and difficult for humans to interpret. In this work, we explore using large language models (LLMs) to translate machine-learned lexical cues into human-understandable language phenomena that can differentiate deceptive reviews from genuine ones. We show that language phenomena obtained in this manner are empirically grounded in data, generalizable across similar domains, and more predictive than phenomena either in LLMs' prior knowledge or obtained through in-context learning. These language phenomena have the potential to aid people in critically assessing the credibility of online reviews in environments where deception detection classifiers are unavailable.
• Abstract（参考訳）: 詐欺的レビューは消費者を誤解させ、ビジネスを害し、オンラインマーケットプレースへの信頼を損なう。 機械学習分類器は、大量のトレーニング例から学習し、偽りのレビューと本物のレビューを効果的に区別することができる。 しかし、これらの分類器によって学習される特徴は、しばしば微妙で断片化され、人間が解釈することが困難である。 本研究では,大規模言語モデル(LLM)を用いて,機械学習された語彙列を人間の理解可能な言語現象に翻訳する。 この方法で得られた言語現象は、経験的にデータに基づいており、類似の領域にまたがって一般化可能であり、LLMの以前の知識や文脈内学習によって得られるものよりも予測的であることを示す。 これらの言語現象は、詐欺検出分類器が利用できない環境で、オンラインレビューの信頼性を批判的に評価するのに役立つ可能性がある。

関連論文リスト

• Can Reasoning Help Large Language Models Capture Human Annotator Disagreement? [84.32752330104775]
  ヒトのアノテーションの変化(つまり不一致)は、NLPでは一般的である。 異なる推論条件が大言語モデルの不一致モデルに与える影響を評価する。 意外なことに、RLVRスタイルの推論は不一致モデリングにおいて性能を低下させる。
  論文  参考訳（メタデータ） (2025-06-24T09:49:26Z)
• Why Does ChatGPT "Delve" So Much? Exploring the Sources of Lexical Overrepresentation in Large Language Models [0.0]
  科学者による大規模言語モデル(LLM)の使用が言語変化の原因であると広く考えられている。 我々は,これらの言語変化を特徴付ける形式的,伝達可能な方法を開発した。 LLM の使用により,科学的な抽象概念の出現が増加する21の焦点単語が検出された。 ヒトのフィードバックからの強化学習が焦点単語の過剰使用に寄与するかどうかを評価する。
  論文  参考訳（メタデータ） (2024-12-16T02:27:59Z)
• Chaos with Keywords: Exposing Large Language Models Sycophantic Hallucination to Misleading Keywords and Evaluating Defense Strategies [47.92996085976817]
  本研究では,Large Language Models (LLMs) の梅毒傾向について検討する。 LLMは、たとえ完全に正しくなくても、ユーザが聞きたいものと一致した回答を提供する傾向があります。
  論文  参考訳（メタデータ） (2024-06-06T08:03:05Z)
• "I'm Not Sure, But...": Examining the Impact of Large Language Models' Uncertainty Expression on User Reliance and Trust [51.542856739181474]
  不確実性の自然言語表現の違いが、参加者の信頼、信頼、全体的なタスクパフォーマンスにどのように影響するかを示す。 その結果, 一人称表情は, 参加者のシステムに対する信頼度を低下させ, 参加者の正確性を高めつつ, システムの回答に同調する傾向にあることがわかった。 以上の結果から,不確実性の自然言語表現の使用は,LLMの過度な依存を軽減するための効果的なアプローチである可能性が示唆された。
  論文  参考訳（メタデータ） (2024-05-01T16:43:55Z)
• LLMs' Reading Comprehension Is Affected by Parametric Knowledge and Struggles with Hypothetical Statements [59.71218039095155]
  言語モデルの自然言語理解(NLU)能力を評価するための主要な手段として、読解理解(RC)があげられる。 文脈がモデルの内部知識と一致している場合、モデルの回答がコンテキスト理解に由来するのか、あるいは内部情報から生じるのかを識別することは困難である。 この問題に対処するために、架空の事実や実体に基づいて、想像上のデータにRCを使うことを提案する。
  論文  参考訳（メタデータ） (2024-04-09T13:08:56Z)
• Simple Linguistic Inferences of Large Language Models (LLMs): Blind Spots and Blinds [59.71218039095155]
  我々は,ほとんどの人間が自明に感じる単純な推論タスクにおいて,言語理解能力を評価する。 我々は, (i) 文法的に特定された含意, (ii) 不確実性のある明らかな副詞を持つ前提, (iii) 単調性含意を目標とする。 モデルはこれらの評価セットに対して中程度から低い性能を示す。
  論文  参考訳（メタデータ） (2023-05-24T06:41:09Z)
• Explainable Verbal Deception Detection using Transformers [1.5104201344012347]
  本稿では,BERT(およびRoBERTa),マルチヘッドアテンション,コアテンション,トランスフォーマーの組み合わせを含む6つのディープラーニングモデルを提案し,評価する。 この結果から,我々のトランスを用いたモデルでは,自動偽造検出性能(精度+2.11%)が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-06T17:36:00Z)
• Fake Reviews Detection through Analysis of Linguistic Features [1.609940380983903]
  本稿では,偽レビューを識別するための自然言語処理手法について検討する。 ニセモノと信頼できるオンラインレビューを区別するために,15の言語的特徴について検討した。 これらの言語的特徴を用いて,実際のレビューから偽の識別を高精度に行うことができた。
  論文  参考訳（メタデータ） (2020-10-08T21:16:30Z)

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。