論文の概要: Replicating Human Motivated Reasoning Studies with LLMs

• arxiv url: http://arxiv.org/abs/2601.16130v1
• Date: Thu, 22 Jan 2026 17:29:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.671401
• Title: Replicating Human Motivated Reasoning Studies with LLMs
• Title（参考訳）: LLMを用いた人間動機付け推論研究の再現
• Authors: Neeley Pate, Adiba Mahbub Proma, Hangfeng He, James N. Druckman, Daniel Molden, Gourab Ghoshal, Ehsan Hoque,
• Abstract要約: 基礎的なLCMの行動は、期待される人間の行動と一致しない。 調査データ収集や議論評価などのタスクを自動化するLLMを用いた研究者にとって,これらの発見の重要性を強調した。
• 参考スコア（独自算出の注目度）: 4.683500829305989
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motivated reasoning -- the idea that individuals processing information may be motivated to reach a certain conclusion, whether it be accurate or predetermined -- has been well-explored as a human phenomenon. However, it is unclear whether base LLMs mimic these motivational changes. Replicating 4 prior political motivated reasoning studies, we find that base LLM behavior does not align with expected human behavior. Furthermore, base LLM behavior across models shares some similarities, such as smaller standard deviations and inaccurate argument strength assessments. We emphasize the importance of these findings for researchers using LLMs to automate tasks such as survey data collection and argument assessment.
• Abstract（参考訳）: 情報処理の個人が特定の結論に達する動機になるかもしれないという動機付けられた推論は、人間の現象としてよく研究されている。 しかし、これらのモチベーションの変化をベースLLMが模倣するかどうかは不明である。 従来の4つの政治的動機づけによる推論研究を再現すると、基本的なLCMの行動は期待される人間の行動と一致しないことがわかった。 さらに、モデル間の基本的なLCMの挙動は、より小さな標準偏差や不正確な議論強度評価など、いくつかの類似点を共有している。 調査データ収集や議論評価などのタスクを自動化するLLMを用いた研究者にとって,これらの発見の重要性を強調した。

関連論文リスト

• Evaluating Interventional Reasoning Capabilities of Large Language Models [58.52919374786108]
  大規模言語モデル(LLM)は意思決定タスクを自動化するために使用される。 本稿では,LPMが介入に応じてデータ生成プロセスの知識を正確に更新できるかどうかを評価する。 さまざまな因果グラフ(例えば、コンバウンディング、仲介)と変数タイプにまたがるベンチマークを作成します。 これらのベンチマークにより、LLMが事実を記憶したり、他のショートカットを見つけたりすることで、変化を正確に予測する能力を切り離すことができます。
  論文  参考訳（メタデータ） (2024-04-08T14:15:56Z)
• Beyond Accuracy: Evaluating the Reasoning Behavior of Large Language Models -- A Survey [25.732397636695882]
  大規模言語モデル(LLM)は、最近、推論を含むタスクで顕著なパフォーマンスを示している。 これらの成功にもかかわらず、LLMの推論能力の深さは未だ不明である。
  論文  参考訳（メタデータ） (2024-04-02T11:46:31Z)
• Systematic Biases in LLM Simulations of Debates [12.933509143906141]
  人間の相互作用をシミュレートする際の大規模言語モデルの限界について検討する。 以上の結果から, LLMエージェントがモデル固有の社会的バイアスに適合する傾向が示唆された。 これらの結果は、エージェントがこれらのバイアスを克服するのに役立つ方法を開発するためのさらなる研究の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-02-06T14:51:55Z)
• Do LLMs exhibit human-like response biases? A case study in survey design [66.1850490474361]
  大規模言語モデル(LLM)が人間の反応バイアスをどの程度反映しているかについて検討する。 アンケート調査では, LLMが人間のような応答バイアスを示すかどうかを評価するためのデータセットとフレームワークを設計した。 9つのモデルに対する総合的な評価は、一般のオープンかつ商用のLCMは、一般的に人間のような振る舞いを反映しないことを示している。
  論文  参考訳（メタデータ） (2023-11-07T15:40:43Z)

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。