論文の概要: Debiasing Large Language Models toward Social Factors in Online Behavior Analytics through Prompt Knowledge Tuning

• arxiv url: http://arxiv.org/abs/2603.27057v1
• Date: Sat, 28 Mar 2026 00:15:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.758137
• Title: Debiasing Large Language Models toward Social Factors in Online Behavior Analytics through Prompt Knowledge Tuning
• Title（参考訳）: プロンプト知識チューニングによるオンライン行動分析における大規模言語モデルの社会的要因への偏り
• Authors: Hossein Salemi, Jitin Krishnan, Hemant Purohit,
• Abstract要約: 帰属論は、個人が社会的文脈における他人の行動を、個人的(偏在的)および非個人的(直観的)因果性(situational)を用いてどのように評価するかを説明する。 人為的なコーパスに基づいて訓練された大規模言語モデル(LLM)は、社会的帰属過程を社会的文脈で暗黙的に模倣する可能性がある。 本稿では,社会的帰属知識を用いた2つの迅速な援助により,LSMの指示プロンプトを充実させることにより,そのようなバイアスを軽減するスケーラブルな手法を提案する。
• 参考スコア（独自算出の注目度）: 1.357291726431012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attribution theory explains how individuals interpret and attribute others' behavior in a social context by employing personal (dispositional) and impersonal (situational) causality. Large Language Models (LLMs), trained on human-generated corpora, may implicitly mimic this social attribution process in social contexts. However, the extent to which LLMs utilize these causal attributions in their reasoning remains underexplored. Although using reasoning paradigms, such as Chain-of-Thought (CoT), has shown promising results in various tasks, ignoring social attribution in reasoning could lead to biased responses by LLMs in social contexts. In this study, we investigate the impact of incorporating a user's goal as knowledge to infer dispositional causality and message context to infer situational causality on LLM performance. To this end, we introduce a scalable method to mitigate such biases by enriching the instruction prompts for LLMs with two prompt aids using social-attribution knowledge, based on the context and goal of a social media message. This method improves the model performance while reducing the social-attribution bias of the LLM in the reasoning on zero-shot classification tasks for behavior analytics applications. We empirically show the benefits of our method across two tasks-intent detection and theme detection on social media in the disaster domain-when considering the variability of disaster types and multiple languages of social media. Our experiments highlight the biases of three open-source LLMs: Llama3, Mistral, and Gemma, toward social attribution, and show the effectiveness of our mitigation strategies.
• Abstract（参考訳）: 帰属論は、個人が社会的文脈における他人の行動の解釈と属性を、個人的(偏在的)および非個人的(直観的)因果性(inpersonal)を用いて説明する。 人為的なコーパスに基づいて訓練された大規模言語モデル(LLM)は、社会的帰属過程を社会的文脈で暗黙的に模倣する可能性がある。 しかし、LLMがこれらの因果関係をその推論に利用する程度については、未解明のままである。 CoT(Chain-of-Thought)のような推論パラダイムは様々なタスクにおいて有望な結果を示しているが、推論における社会的帰属を無視することは、社会的文脈におけるLLMのバイアスのある応答につながる可能性がある。 本研究では, ユーザの目標を知識として取り入れて, 配置因果関係やメッセージコンテキストを推測し, 状況因果関係がLLMのパフォーマンスに与える影響について検討する。 そこで本稿では,ソーシャルメディアメッセージのコンテキストと目的に基づいて,社会的帰属知識を用いた2つの迅速な援助によって,LSMの指導プロンプトを充実させることにより,そのようなバイアスを軽減するためのスケーラブルな手法を提案する。 本手法は, 行動分析アプリケーションにおけるゼロショット分類タスクの推論において, LLMの社会的帰属バイアスを低減し, モデル性能を向上させる。 本研究では,災害時におけるソーシャルメディア上でのタスクインテリジェント検出とテーマ検出という2つの課題にまたがる手法の利点を実証的に示す。 実験では,Llama3,Mistral,Gemmaの3つのオープンソースLCMの社会的帰属に対するバイアスを強調し,緩和戦略の有効性を示した。

関連論文リスト

• Social Simulations with Large Language Model Risk Utopian Illusion [61.358959720048354]
  社会シミュレーションにおける大規模言語モデルの行動分析のための体系的枠組みを提案する。 本手法は,チャットルーム型会話を通してマルチエージェントインタラクションをシミュレートし,5つの言語的側面にわたって解析する。 以上の結果から,LSMは真の人間の行動を忠実に再現するのではなく,過度に理想化されたバージョンを反映していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-24T06:08:41Z)
• Social Welfare Function Leaderboard: When LLM Agents Allocate Social Welfare [87.06241096619112]
  大規模言語モデル(LLM)は、人間の福祉に影響を及ぼす高い意思決定にますます信頼されている。 本稿では, LLMが主権アロケータとして機能する動的シミュレーション環境である社会福祉機能ベンチマークを紹介する。 我々は、20の最先端LCMを評価し、社会福祉確保のための第1のリーダーボードを提示する。
  論文  参考訳（メタデータ） (2025-10-01T17:52:31Z)
• SCRAG: Social Computing-Based Retrieval Augmented Generation for Community Response Forecasting in Social Media Environments [8.743208265682014]
  SCRAGは、ソーシャルコンピューティングにインスパイアされた予測フレームワークである。 リアルまたは仮説的なソーシャルメディア投稿に対するコミュニティの反応を予測する。 公開関係の専門家が意図しない誤解を避ける方法でメッセージを作成するために使用することができる。
  論文  参考訳（メタデータ） (2025-04-18T15:02:31Z)
• Can LLMs Simulate Social Media Engagement? A Study on Action-Guided Response Generation [51.44040615856536]
  本稿では、行動誘導応答生成によるソーシャルメディアのエンゲージメントをシミュレートする大規模言語モデルの能力について分析する。 GPT-4o-mini,O1-mini,DeepSeek-R1をソーシャルメディアエンゲージメントシミュレーションで評価した。
  論文  参考訳（メタデータ） (2025-02-17T17:43:08Z)
• Prompting Fairness: Integrating Causality to Debias Large Language Models [19.76215433424235]
  大規模言語モデル(LLM)は偏見や差別的な反応を生じさせる可能性がある。 社会的偏見に対処するための因果性誘導型脱バイアスフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-13T17:46:28Z)
• SOTOPIA-$π$: Interactive Learning of Socially Intelligent Language Agents [73.35393511272791]
  本稿では,対話型学習手法であるSOTOPIA-$pi$を提案する。 この手法は,大規模言語モデル(LLM)の評価に基づいて,フィルタリングされた社会的相互作用データに対する行動クローニングと自己強化トレーニングを活用する。
  論文  参考訳（メタデータ） (2024-03-13T17:17:48Z)
• Do LLM Agents Exhibit Social Behavior? [5.094340963261968]
  State-Understanding-Value-Action (SUVA) は、社会的文脈における応答を体系的に分析するフレームワークである。 最終決定とそれにつながる反応生成プロセスの両方を通じて社会的行動を評価する。 発話に基づく推論がLLMの最終動作を確実に予測できることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T08:46:53Z)

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。