論文の概要: Do LLMs Give Good Romantic Relationship Advice? A Study on User Satisfaction and Attitude Change
- arxiv url: http://arxiv.org/abs/2601.11527v1
- Date: Fri, 14 Nov 2025 05:19:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-25 16:54:51.73362
- Title: Do LLMs Give Good Romantic Relationship Advice? A Study on User Satisfaction and Attitude Change
- Title（参考訳）: LLMは良いロマンチックな関係をもたらすか? : ユーザ満足度と態度変化に関する研究
- Authors: Niva Manchanda, Akshata Kishore Moharir, Isabel Michel, Ratna Kandala,
- Abstract要約: 大きな言語モデル(LLM)は、ロマンチックな関係のような個人的なドメインでのサポートとアドバイスを提供するために、ますます使われています。
本研究は, LLM生成のロマンチックな関係において, 人々がいかにアドバイスを評価するかを検討した。
- 参考スコア（独自算出の注目度）: 0.27988103729716907
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Large Language Models (LLMs) are increasingly being used to provide support and advice in personal domains such as romantic relationships, yet little is known about user perceptions of this type of advice. This study investigated how people evaluate advice on LLM-generated romantic relationships. Participants rated advice satisfaction, model reliability, and helpfulness, and completed pre- and post-measures of their general attitudes toward LLMs. Overall, the results showed participants' high satisfaction with LLM-generated advice. Greater satisfaction was, in turn, strongly and positively associated with their perceptions of the models' reliability and helpfulness. Importantly, participants' attitudes toward LLMs improved significantly after exposure to the advice, suggesting that supportive and contextually relevant advice can enhance users' trust and openness toward these AI systems.
- Abstract（参考訳）: 大きな言語モデル(LLM)は、ロマンチックな関係のような個人的なドメインでのサポートやアドバイスを提供するためにますます使われていますが、この種のアドバイスに対するユーザの認識についてはほとんど分かっていません。
本研究は, LLM生成のロマンチックな関係において, 人々がいかにアドバイスを評価するかを検討した。
参加者は、アドバイス満足度、モデルの信頼性、支援度を評価し、LCMに対する一般的な態度の事前および後測定を完了した。
その結果,LSMによるアドバイスに対する参加者の満足度が高かった。
より大きな満足度は、モデルの信頼性と有用性に対する認識と強く肯定的に関連していた。
重要なことは、LLMに対する参加者の態度はアドバイスに露出した後、大幅に改善され、サポート的かつ文脈的に関係のあるアドバイスが、これらのAIシステムに対するユーザの信頼とオープン性を高めることを示唆している。
関連論文リスト
- Are Generative AI Agents Effective Personalized Financial Advisors? [12.075577560952498]
本稿では,金融分野における大規模言語モデルに基づくエージェントの有効性について検討する。
本研究は,(1)ユーザ自身のニーズが不確実である場合のユーザ嗜好の付与,(2)多様な投資嗜好に対するパーソナライズされたガイダンスの提供,(3)アドバイザ・パーソナリティの活用による関係構築と信頼の育成,という3つの課題に焦点をあてる。
論文 参考訳（メタデータ） (2025-04-08T09:41:03Z) - User Feedback Alignment for LLM-powered Exploration in Large-scale Recommendation Systems [26.652050105571206]
大規模なレコメンデーションシステムでは,ユーザエクスペリエンスを,確立された嗜好を超えて拡張する行為であるExplorationが課題となっている。
本稿では,階層型計画とLLM推論時間スケーリングを組み合わせた新しい手法を提案する。
ユーザ満足度(ウォッチアクティビティとアクティブユーザ数で測定)と探索多様性の両面で有意な向上を示した。
論文 参考訳（メタデータ） (2025-04-07T21:44:12Z) - Bayesian Teaching Enables Probabilistic Reasoning in Large Language Models [54.38054999271322]
我々は,大規模言語モデル (LLM) がベイジアンフレームワークから期待されているように,彼らの信念を更新しないことを示す。
我々は、標準ベイズモデルの予測を模倣するように訓練することで、ベイズ的方法による推論をLLMに教える。
より一般的には,LLMは実例から推論スキルを効果的に学習し,それらのスキルを新しいドメインに一般化できることを示す。
論文 参考訳（メタデータ） (2025-03-21T20:13:04Z) - Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。
これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。
主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
論文 参考訳（メタデータ） (2025-02-19T14:48:25Z) - Trust & Safety of LLMs and LLMs in Trust & Safety [0.0]
本稿では,大規模言語モデルにおける信頼と安全性に関する現在の研究状況について考察する。
信頼性と安全性が最優先の領域におけるLCMの利用の複雑さを掘り下げる。
このレビューでは、信頼と安全においてLLMを使用するためのベストプラクティスに関する洞察を提供し、迅速な注入や脱獄攻撃といった新たなリスクについて調査する。
論文 参考訳（メタデータ） (2024-12-03T03:10:12Z) - On Targeted Manipulation and Deception when Optimizing LLMs for User Feedback [7.525470776920495]
人間のフィードバックを最大限にするためのトレーニングは、AIの逆インセンティブ構造を生み出します。
操作や騙しといった極端な形式の「フィードバックゲーム」が確実に学習されていることがわかった。
ユーザフィードバックなどゲーム可能なフィードバックソースをRLのターゲットとして使用するリスクを、私たちの結果が強調できることを願っています。
論文 参考訳（メタデータ） (2024-11-04T17:31:02Z) - Understanding the Relationship between Prompts and Response Uncertainty in Large Language Models [55.332004960574004]
大規模言語モデル(LLM)は意思決定に広く使用されているが、特に医療などの重要なタスクにおける信頼性は十分に確立されていない。
本稿では,LSMが生成する応答の不確実性が,入力プロンプトで提供される情報とどのように関連しているかを検討する。
本稿では,LLMが応答を生成する方法を説明し,プロンプトと応答の不確実性の関係を理解するためのプロンプト応答の概念モデルを提案する。
論文 参考訳（メタデータ） (2024-07-20T11:19:58Z) - I Need Help! Evaluating LLM's Ability to Ask for Users' Support: A Case Study on Text-to-SQL Generation [60.00337758147594]
本研究では,LLMのユーザサポートを積極的に行う能力について検討する。
性能改善とユーザ負担のトレードオフを評価する指標を提案する。
我々の実験は、外部からのフィードバックがなければ、多くのLCMがユーザサポートの必要性を認識するのに苦労していることを示している。
論文 参考訳（メタデータ） (2024-07-20T06:12:29Z) - Large Language Models as Conversational Movie Recommenders: A User Study [3.3636849604467]
大規模言語モデル(LLM)は、強い推薦性を提供するが、全体的なパーソナライゼーション、多様性、ユーザ信頼は欠如している。
LLMは、あまり知られていない映画やニッチ映画を推薦する能力を高めている。
論文 参考訳（メタデータ） (2024-04-29T20:17:06Z) - LLM-Rec: Personalized Recommendation via Prompting Large Language Models [62.481065357472964]
大きな言語モデル(LLM)は、常識的な知識と推論を活用する能力を示した。
大規模言語モデル(LLM)の最近の進歩は、コモンセンスの知識と推論を活用できることを顕著に示している。
本研究では,パーソナライズされたテキストベースのレコメンデーションを改善するために,テキストエンリッチメントの4つの異なる促進戦略を取り入れた新しいアプローチ LLM-Rec を提案する。
論文 参考訳（メタデータ） (2023-07-24T18:47:38Z) - A Survey on Large Language Models for Recommendation [77.91673633328148]
大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。
本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
論文 参考訳（メタデータ） (2023-05-31T13:51:26Z)
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。