論文の概要: How Much Does Persuasion Strategy Matter? LLM-Annotated Evidence from Charitable Donation Dialogues

• arxiv url: http://arxiv.org/abs/2604.19783v1
• Date: Mon, 30 Mar 2026 09:17:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.074622
• Title: How Much Does Persuasion Strategy Matter? LLM-Annotated Evidence from Charitable Donation Dialogues
• Title（参考訳）: 説得戦略はどの程度重要か? : LLM- Annotated Evidence from Charitable Donation Dialogues
• Authors: Tatiana Petrova, Stanislav Sokol, Radu State,
• Abstract要約: 1017-dialogue PersuasionForGood corpus で 10,600 のコンサージャを全てアノテートします。 戦略カテゴリーだけでは寄付の成果のばらつきはほとんど説明できない。 ギルトに基づく魅力は、社会的な設定では非生産的である。
• 参考スコア（独自算出の注目度）: 0.9940728137241215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Which persuasion strategies, if any, are associated with donation compliance? Answering this requires fine-grained strategy labels across a full corpus and statistical tests corrected for multiple comparisons. We annotate all 10,600 persuader turns in the 1,017-dialogue PersuasionForGood corpus (Wang et al., 2019), where donation outcomes are directly observable, with a taxonomy of 41 strategies in 11 categories, using three open-source large language models (LLMs; Qwen3:30b, Mistral-Small-3.2, Phi-4). Strategy categories alone explain little variance in donation outcome (pseudo $R^2 \approx 0.015$, consistent across all three annotators). Guilt Induction is the only strategy significantly associated with lower donation rates ($Δ\approx -23$ percentage points), an effect that replicates across all three models despite only moderate inter-model agreement. Reciprocity is the most robust positive correlate. Target sentiment and interest predict whether a donation occurs but show at most a weak correlation with donation amount. These findings suggest that strategy identification alone is insufficient to explain persuasion effectiveness, and that guilt-based appeals may be counterproductive in prosocial settings. We release the fully annotated corpus as a public resource.
• Abstract（参考訳）: どの説得戦略が寄付コンプライアンスと関連付けられているか? これを答えるためには、完全なコーパスにわたるきめ細かい戦略ラベルと、複数の比較のために修正された統計的テストが必要である。 寄付の成果が直接観測可能である1017-dialogue PersuasionForGood corpus (Wang et al , 2019)では,オープンソース大言語モデル(LLMs; Qwen3:30b, Mistral-Small-3.2, Phi-4)を用いて,11カテゴリの41の戦略を分類した。 戦略圏だけでは、寄付結果のばらつきはほとんど説明できない(pseudo $R^2 \approx 0.015$、すべての3つのアノテータに一貫性がある)。 ギルト誘導は、より低い寄付率(Δ\approx-23$%ポイント)に大きく関係している唯一の戦略である。 相互性は最も堅牢な正の相関関係である。 目標の感情と関心は寄付が発生するかどうかを予測するが、寄付金額と最も弱い相関を示す。 これらの結果から, 戦略同定だけでは説得効果を説明できないことが示唆され, 罪悪感に基づくアピールは, 社会的条件下では非生産的である可能性が示唆された。 完全に注釈付けされたコーパスを公開リソースとしてリリースします。

関連論文リスト

• One Token Away from Collapse: The Fragility of Instruction-Tuned Helpfulness [12.183451602438753]
  単純な語彙制約(句読解文字または共通単語の禁止)により、命令調整されたLLMが応答を崩壊させることを示す。 ベースモデルでは,同じ制約の下で,小さな,騒々しい,双方向的な効果を伴って,体系的な崩壊を示さないことを示す。
  論文  参考訳（メタデータ） (2026-04-14T17:40:01Z)
• Narrative over Numbers: The Identifiable Victim Effect and its Amplification Under Alignment and Reasoning in Large Language Models [0.8122270502556375]
  本稿では,大規模言語モデル(LLM)におけるIVEの体系的,大規模な実証的研究について紹介する。 IVEは多用されるが、アライメントトレーニングによって強く調節される。 我々はさらに、人道的・倫理的意思決定の文脈におけるAIの展開に影響を及ぼす、精神物理学的、完全な量無視、グループ内/グループ外の文化的偏見を文書化する。
  論文  参考訳（メタデータ） (2026-04-13T21:29:46Z)
• Thinking Fast, Thinking Wrong: Intuitiveness Modulates LLM Counterfactual Reasoning in Policy Evaluation [0.0]
  大規模言語モデル (LLM) は因果推論や反ファクト推論にますます利用されているが、現実の政策評価における信頼性はいまだ未定である。 経済・社会科学から引き出された40の実証的政策評価事例のベンチマークを構築した。 混合効果のロジスティック回帰を用いて結果を分析する。
  論文  参考訳（メタデータ） (2026-04-12T08:00:38Z)
• ReasoningBomb: A Stealthy Denial-of-Service Attack by Inducing Pathologically Long Reasoning in Large Reasoning Models [67.15960154375131]
  大規模推論モデル(LRM)は、多段階推論トレースを明示した大規模言語モデルを拡張する。 この能力は、推論の高い計算コストを生かした、新しいタイプのプロンプト誘発推論時間拒否攻撃(PI-DoS)を導入している。 本稿では,強化学習に基づくPI-DoSフレームワークであるReasoningBombについて紹介する。
  論文  参考訳（メタデータ） (2026-01-29T18:53:01Z)
• Do Whitepaper Claims Predict Market Behavior? Evidence from Cryptocurrency Factor Analysis [0.0]
  本研究は,暗号通貨の物語が経験的に観察された市場因子構造と一致するかどうかを考察する。 我々は10カテゴリにわたる38のホワイトペーパーのNLP分類と時間ごとの市場データのセマンティック分解を組み合わせたパイプラインを構築した。 無効な結果は、物語経済学に影響を及ぼす市場因子構造を有意に予測しないことを示す。
  論文  参考訳（メタデータ） (2026-01-28T07:50:40Z)
• CausalDiff: Causality-Inspired Disentanglement via Diffusion Model for Adversarial Defense [61.78357530675446]
  人間は、本質的な要因のみに基づいて判断するので、微妙な操作によって騙されるのは難しい。 この観察に触発されて、本質的なラベル因果因子を用いたラベル生成をモデル化し、ラベル非因果因子を組み込んでデータ生成を支援する。 逆の例では、摂動を非因果因子として識別し、ラベル因果因子のみに基づいて予測することを目的としている。
  論文  参考訳（メタデータ） (2024-10-30T15:06:44Z)
• Intention Analysis Makes LLMs A Good Jailbreak Defender [79.4014719271075]
  我々は,シンプルかつ高能率な防衛戦略,すなわち意図分析(mathbbIA$)を提示する。 $mathbbIA$ は LLM 固有の自己修正をトリガーし、2段階のプロセスを通じて能力を向上させる。 さまざまなjailbreakベンチマークの実験によると、$mathbbIA$は一貫して応答の有害性を著しく低減できる。
  論文  参考訳（メタデータ） (2024-01-12T13:15:05Z)

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。