論文の概要: LLMs Should Incorporate Explicit Mechanisms for Human Empathy

• arxiv url: http://arxiv.org/abs/2604.10557v1
• Date: Sun, 12 Apr 2026 10:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.099927
• Title: LLMs Should Incorporate Explicit Mechanisms for Human Empathy
• Title（参考訳）: LLMは人間の共感のための明示的なメカニズムを取り入れるべきである
• Authors: Xiaoxing You, Qiang Huang, Jun Yu,
• Abstract要約: 本稿では,Large Language Models (LLM) は人間の共感の明示的なメカニズムを取り入れるべきである,と論じる。 我々は共感を観察可能な行動特性として定式化し、意図、影響、文脈を保ちながら人間の視点をモデル化し、反応する能力を持つ。
• 参考スコア（独自算出の注目度）: 13.775684943160963
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper argues that Large Language Models (LLMs) should incorporate explicit mechanisms for human empathy. As LLMs become increasingly deployed in high-stakes human-centered settings, their success depends not only on correctness or fluency but on faithful preservation of human perspectives. Yet, current LLMs systematically fail at this requirement: even when well-aligned and policy-compliant, they often attenuate affect, misrepresent contextual salience, and rigidify relational stance in ways that distort meaning. We formalize empathy as an observable behavioral property: the capacity to model and respond to human perspectives while preserving intention, affect, and context. Under this framing, we identify four recurring mechanisms of empathic failure in contemporary LLMs--sentiment attenuation, empathic granularity mismatch, conflict avoidance, and linguistic distancing--arising as structural consequences of prevailing training and alignment practices. We further organize these failures along three dimensions: cognitive, cultural, and relational empathy, to explain their manifestation across tasks. Empirical analyses show that strong benchmark performance can mask systematic empathic distortions, motivating empathy-aware objectives, benchmarks, and training signals as first-class components of LLM development.
• Abstract（参考訳）: 本稿では,Large Language Models (LLM) は人間の共感の明示的なメカニズムを取り入れるべきである,と論じる。 LLMが高度に人間中心の環境で展開されるようになると、その成功は正確性や流布だけでなく、人間の視点の忠実な保存にも依存する。 しかし、現在のLLMは体系的にこの要件に失敗する: 適切に整合し、ポリシーに準拠したとしても、しばしば影響を減らし、文脈的サリエンスを誤って表現し、意味を歪ませる方法で関係的なスタンスを固める。 我々は共感を観察可能な行動特性として定式化し、意図、影響、文脈を保ちながら人間の視点をモデル化し、反応する能力を持つ。 本研究では,現代LLMにおける共感的失敗の4つのメカニズム,すなわち感覚の減衰,共感的粒度ミスマッチ,対立回避,言語的距離の4つを,一般的なトレーニングとアライメントの実践による構造的結果として同定する。 さらに、これらの失敗を認知、文化的、リレーショナルな共感という3つの側面に沿って整理し、タスク間でのそれらの表現を説明します。 経験的分析により、強いベンチマーク性能は、体系的な共感的歪みを隠蔽し、共感を意識した目標、ベンチマーク、訓練信号をLLM開発の第一級コンポーネントとして動機付けることが示されている。

関連論文リスト

• Plausibility as Failure: How LLMs and Humans Co-Construct Epistemic Error [0.0]
  この研究は、異なる形のてんかんが出現し、マスクされ、人間のAI相互作用に許容されるかを調べる。 評価者はしばしば、正確性、妥当性、バイアス、基底性、一貫性などの基準を混同し、人間の判断が分析的区別を形と流布によって形づくられた直観に分解することを示す。 この研究は、LLMアセスメント、デジタルリテラシー、そして信頼できる人間AIコミュニケーションの設計に影響を及ぼす。
  論文  参考訳（メタデータ） (2025-12-18T16:45:29Z)
• Cognitive Foundations for Reasoning and Their Manifestation in LLMs [63.12951576410617]
  大規模言語モデル(LLM)は複雑な問題を解くが、単純な変種では失敗し、人間の推論と根本的に異なるメカニズムによって正しい出力を達成することを示唆している。 我々は認知科学研究を、推論不変量、メタ認知制御、推論と知識の組織化のための表現、変換操作にまたがる28の認知要素の分類学に合成する。 複雑な問題に対して66.7%の性能向上を図り、成功構造を自動的に把握するテストタイム推論ガイダンスを開発した。
  論文  参考訳（メタデータ） (2025-11-20T18:59:00Z)
• From Tokens to Thoughts: How LLMs and Humans Trade Compression for Meaning [63.25540801694765]
  大きな言語モデル (LLMs) は言語能力を示すが、同じバランスをとれるかどうかは不明だ。 本稿では,LLMと人間を定量的に比較するために,Information Bottleneckの原理を適用した。
  論文  参考訳（メタデータ） (2025-05-21T16:29:00Z)
• Persuasion with Large Language Models: a Survey [49.86930318312291]
  大規模言語モデル (LLM) は説得力のあるコミュニケーションに新たな破壊的可能性を生み出している。 政治、マーケティング、公衆衛生、電子商取引、慈善事業などの分野では、LLMシステムズは既に人間レベルや超人的説得力を達成している。 LLMをベースとした説得の現在と将来の可能性は、倫理的・社会的リスクを著しく引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2024-11-11T10:05:52Z)
• Self-correction is Not An Innate Capability in Large Language Models [13.268938380591765]
  道徳的自己補正はLLMの本質的な能力か?」という根本的な疑問に対処することで道徳的自己補正の基盤となるメカニズムを考察する。 道徳的自己補正は、道徳的に敏感でもなく、自己補正プロセス中に外部からのフィードバックを効果的に取り入れることができないため、LLMの本質的な能力ではないことを示す。
  論文  参考訳（メタデータ） (2024-10-27T16:52:21Z)
• Metacognitive Myopia in Large Language Models [0.0]
  大規模言語モデル(LLM)は、文化的に固有のステレオタイプ、クラウドの道徳的判断、あるいは多数派の肯定的な評価を強化する潜在的に有害なバイアスを示す。 認知・生態的枠組みとしてメタ認知ミオピアを提案する。 我々の理論的枠組みは, メタ認知, 監視, 制御の2つの要素が欠如していることが, メタ認知性ミオピアの5つの症状を引き起こすことを示唆している。
  論文  参考訳（メタデータ） (2024-08-10T14:43:57Z)
• The Strong Pull of Prior Knowledge in Large Language Models and Its Impact on Emotion Recognition [74.04775677110179]
  In-context Learning (ICL) は、Large Language Models (LLM) を用いた自然言語処理のための強力なパラダイムとして登場した。 LLMには、感情認識において強いが矛盾する先行性があり、その予測に影響を及ぼすことが示される。 以上の結果から,ICLをより大きなLCMで事前学習領域外の情動中心タスクに使用する場合,注意が必要であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-25T19:07:32Z)
• MR-GSM8K: A Meta-Reasoning Benchmark for Large Language Model Evaluation [60.65820977963331]
  大規模言語モデル(LLM)のための新しい評価パラダイムを導入する。 このパラダイムは、しばしば推論プロセスを無視する結果指向の評価から、より包括的な評価へと重点を移す。 GSM8Kデータセットにこのパラダイムを適用し,MR-GSM8Kベンチマークを開発した。
  論文  参考訳（メタデータ） (2023-12-28T15:49:43Z)
• Alignment is not sufficient to prevent large language models from generating harmful information: A psychoanalytic perspective [8.798946298425635]
  大規模言語モデル(LLM)は、多数のアプリケーションの中心であるが、特に有害なコンテンツやバイアスを発生させる上で、重大なリスクに悩まされている。 LLMは, 学習前段階で確立された, 統語的・意味的連続性に対する本質的な欲求と, 人的価値との訓練後の整合性との間に生じる, 同様の根本的な対立に苦しむ。 この対立はLLMを敵の攻撃に弱いものにし、連続性に対するモデルの欲求を強くすることでアライメントの努力を回避し、有害な情報を生み出す。
  論文  参考訳（メタデータ） (2023-11-14T19:28:51Z)

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。