論文の概要: LLM-guided headline rewriting for clickability enhancement without clickbait
- arxiv url: http://arxiv.org/abs/2603.22459v1
- Date: Mon, 23 Mar 2026 18:25:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.143165
- Title: LLM-guided headline rewriting for clickability enhancement without clickbait
- Title（参考訳）: クリックベイトを伴わないクリック性向上のためのLCM誘導ヘッドライン書き換え
- Authors: Yehudit Aperstein, Linoy Halifa, Sagiv Bar, Alexander Apartsin,
- Abstract要約: 情報的忠実性を維持しながら読者のエンゲージメントを高めることは、ニュースメディアにおける制御可能なテキスト生成における中心的な課題である。
我々は、クリックベイトを別のスタイルのカテゴリーではなく、非合法なエンゲージメント手段の不当な増幅の極端な結果として捉えている。
本稿では,大規模言語モデル (LLM) をベースとして,予測時間制御のためのFuture Discriminators for Generation (FUDGE) パラダイムを用いた見出し書き換えフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 40.12543056558646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enhancing reader engagement while preserving informational fidelity is a central challenge in controllable text generation for news media. Optimizing news headlines for reader engagement is often conflated with clickbait, resulting in exaggerated or misleading phrasing that undermines editorial trust. We frame clickbait not as a separate stylistic category, but as an extreme outcome of disproportionate amplification of otherwise legitimate engagement cues. Based on this view, we formulate headline rewriting as a controllable generation problem, where specific engagement-oriented linguistic attributes are selectively strengthened under explicit constraints on semantic faithfulness and proportional emphasis. We present a guided headline rewriting framework built on a large language model (LLM) that uses the Future Discriminators for Generation (FUDGE) paradigm for inference-time control. The LLM is steered by two auxiliary guide models: (1) a clickbait scoring model that provides negative guidance to suppress excessive stylistic amplification, and (2) an engagement-attribute model that provides positive guidance aligned with target clickability objectives. Both guides are trained on neutral headlines drawn from a curated real-world news corpus. At the same time, clickbait variants are generated synthetically by rewriting these original headlines using an LLM under controlled activation of predefined engagement tactics. By adjusting guidance weights at inference time, the system generates headlines along a continuum from neutral paraphrases to more engaging yet editorially acceptable formulations. The proposed framework provides a principled approach for studying the trade-off between attractiveness, semantic preservation, and clickbait avoidance, and supports responsible LLM-based headline optimization in journalistic settings.
- Abstract（参考訳）: 情報的忠実性を維持しながら読者のエンゲージメントを高めることは、ニュースメディアにおける制御可能なテキスト生成における中心的な課題である。
読者のエンゲージメントのためにニュースの見出しを最適化することは、しばしばクリックベイトと混同される。
我々は、クリックベイトを別のスタイルのカテゴリーではなく、非合法なエンゲージメント手段の不当な増幅の極端な結果として捉えている。
この観点から,本研究では,意味的忠実さと比例的強調の明示的な制約の下で,特定のエンゲージメント指向の言語属性を選択的に強化する,制御可能な生成問題として,見出し書き換えを定式化する。
本稿では,大規模言語モデル (LLM) をベースとして,予測時間制御のためのFuture Discriminators for Generation (FUDGE) パラダイムを用いた見出し書き換えフレームワークを提案する。
LLMは,(1)過剰なスタイリスティックな増幅を抑制するためのネガティブなガイダンスを提供するクリックベイトスコアリングモデル,(2)ターゲットのクリック可能性目標に沿ったポジティブなガイダンスを提供するエンゲージメント属性モデル,の2つの補助的ガイドモデルによって構成される。
どちらのガイドも、キュレートされた現実世界のニュースコーパスから引き出された中立的な見出しに基づいて訓練されている。
同時に、事前に定義されたエンゲージメント戦術の制御の下でLSMを使用してこれらのオリジナルの見出しを書き換えることで、クリックベイト変種を合成的に生成する。
推論時にガイダンスの重みを調整することで、中性パラフレーズからより魅力的で編集に受け入れられる定式化まで連続体に沿って見出しを生成する。
提案フレームワークは,アクセシビリティ,セマンティック保存,クリックベイト回避のトレードオフを研究するための基本的手法を提供する。
関連論文リスト
- SEM: Sparse Embedding Modulation for Post-Hoc Debiasing of Vision-Language Models [36.40093869747498]
本稿では,スパースオートエンコーダの潜在空間で動作するポストホック・ゼロショット脱バイアスフレームワークであるスパース埋め込み変調(SEM)を提案する。
SEMは、クエリ関連ニューロンを保持しながらバイアス関連ニューロンを特定し、調節する。
この結果から,疎度な潜在表現は,視覚言語モデルのポストホックなデバイアス化に有効な基盤となることが示唆された。
論文 参考訳（メタデータ） (2026-03-19T15:28:08Z) - Click it or Leave it: Detecting and Spoiling Clickbait with Informativeness Measures and Large Language Models [1.5658704610960574]
本稿では,トランスフォーマーをベースとしたテキスト埋め込みと,言語的に動機付けられた情報化機能を組み合わせたクリックベイト検出手法を提案する。
当社のベストパフォーマンスモデルであるXGBoostは15の明示的な特徴を組み込んだ組み込みで、F1スコアの91%を実現しています。
提案する特徴集合は,2人称代名詞,助詞,数字,注意指向句読点などの有能な言語的手がかりを強調することにより,解釈可能性を高める。
論文 参考訳（メタデータ） (2026-02-20T12:16:08Z) - Explicit Uncertainty Modeling for Active CLIP Adaptation with Dual Prompt Tuning [51.99383151474742]
デュアルプロンプトチューニングに基づくアクティブCLIP適応のためのロバストな不確実性モデリングフレームワークを提案する。
提案手法は,同一のアノテーション予算の下で,既存のアクティブラーニング手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-02-04T09:01:55Z) - Acting Flatterers via LLMs Sycophancy: Combating Clickbait with LLMs Opposing-Stance Reasoning [10.782330552067664]
シコファシー(Sycophancy)は、ユーザーの真実に対する信念と一致する推論を生み出す傾向にある。
本研究は、この行動を利用して、対立する視点から対照的な推論を生成する新しいアプローチを提案する。
我々は3つのBERTエンコーダを統合してタイトルとその関連する推論を表現できるローカルなOpposing ReasoningベースのClickbait検出モデルを開発した。
論文 参考訳（メタデータ） (2026-01-17T11:57:23Z) - What's Left Unsaid? Detecting and Correcting Misleading Omissions in Multimodal News Previews [31.373823254968315]
事実が正しいとしても、ソーシャルメディアのニュースプレビューは解釈のドリフトを引き起こす。
この秘密の害は明示的な誤報よりも検出が難しいが、未発見のままである。
我々は、プレビューベースとコンテキストベースの理解を分離し、シミュレートするマルチステージパイプラインを開発した。
論文 参考訳（メタデータ） (2026-01-09T06:29:19Z) - DeLeaker: Dynamic Inference-Time Reweighting For Semantic Leakage Mitigation in Text-to-Image Models [55.30555646945055]
テキスト・ツー・イメージ(T2I)モデルはセマンティック・リークに対して脆弱である。
DeLeakerは、モデルのアテンションマップに直接介入することで、漏洩を緩和する軽量なアプローチである。
SLIMはセマンティックリークに特化した最初のデータセットである。
論文 参考訳（メタデータ） (2025-10-16T17:39:21Z) - An Interpretable Benchmark for Clickbait Detection and Tactic Attribution [37.86790434630698]
クリックベイトの見出しの拡散は、デジタルメディアにおける情報の信頼性とユーザ信頼に重大な課題をもたらす。
本稿では、クリックベイトタイトルを識別するだけでなく、特定の言語操作戦略に起因した、説明可能なクリックベイト検出モデルを提案する。
本稿では,検出と戦術属性を含む自動クリックベイト分析のための2段階のフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-13T18:26:49Z) - Analysing Zero-Shot Readability-Controlled Sentence Simplification [54.09069745799918]
本研究では,異なる種類の文脈情報が,所望の可読性を持つ文を生成するモデルの能力に与える影響について検討する。
結果から,全ての試験されたモデルは,原文の制限や特徴のため,文の簡略化に苦慮していることがわかった。
実験では、RCTSに合わせたより良い自動評価指標の必要性も強調した。
論文 参考訳（メタデータ） (2024-09-30T12:36:25Z) - Prompt Highlighter: Interactive Control for Multi-Modal LLMs [50.830448437285355]
本研究では,マルチモーダル LLM (LLMs&VLMs) 推論における重要な側面として,明示的な制御可能なテキスト生成を目標とする。
本稿では,新しい推論手法であるPrompt Highlighterを導入し,ユーザが特定のプロンプトスパンをハイライトし,生成中のフォーカスをインタラクティブに制御できるようにする。
推論中、注意重みを通して強調されたトークンでモデルを導くことで、より望ましい出力が得られます。
論文 参考訳（メタデータ） (2023-12-07T13:53:29Z)
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。