論文の概要: Ideological Bias in LLMs' Economic Causal Reasoning

• arxiv url: http://arxiv.org/abs/2604.21334v1
• Date: Thu, 23 Apr 2026 06:45:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.339266
• Title: Ideological Bias in LLMs' Economic Causal Reasoning
• Title（参考訳）: LLMの経済因果推論におけるイデオロギー的バイアス
• Authors: Donggyu Lee, Hyeok Yun, Jungwon Kim, Junsik Min, Sungwon Park, Sangyoon Park, Jihee Kim,
• Abstract要約: 大規模言語モデル(LLM)は、政策分析や経済報告にますます使われている。 我々はイデオロギーに抗議したケースでEconCausalベンチマークを拡張した。 我々はイデオロギーに適合する項目が非競合項目よりも一貫して難しいことを発見した。
• 参考スコア（独自算出の注目度）: 10.974846337139278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Do large language models (LLMs) exhibit systematic ideological bias when reasoning about economic causal effects? As LLMs are increasingly used in policy analysis and economic reporting, where directionally correct causal judgments are essential, this question has direct practical stakes. We present a systematic evaluation by extending the EconCausal benchmark with ideology-contested cases - instances where intervention-oriented (pro-government) and market-oriented (pro-market) perspectives predict divergent causal signs. From 10,490 causal triplets (treatment-outcome pairs with empirically verified effect directions) derived from top-tier economics and finance journals, we identify 1,056 ideology-contested instances and evaluate 20 state-of-the-art LLMs on their ability to predict empirically supported causal directions. We find that ideology-contested items are consistently harder than non-contested ones, and that across 18 of 20 models, accuracy is systematically higher when the empirically verified causal sign aligns with intervention-oriented expectations than with market-oriented ones. Moreover, when models err, their incorrect predictions disproportionately lean intervention-oriented, and this directional skew is not eliminated by one-shot in-context prompting. These results highlight that LLMs are not only less accurate on ideologically contested economic questions, but systematically less reliable in one ideological direction than the other, underscoring the need for direction-aware evaluation in high-stakes economic and policy settings.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、経済的因果効果を推論する際に体系的なイデオロギーバイアスを示すか? LLMは、方針分析や経済報告において、方向的に正しい因果判断が不可欠であるようになってきているため、この質問は直接的な実践的利害関係を持っている。 本稿では,EconCausalベンチマークをイデオロギーに抗議した事例(介入指向(政府寄り)と市場指向(市場寄り)の視点で異なる因果の兆候を予測する場合)で拡張し,体系的な評価を行う。 最上位の経済・金融雑誌から得られた10,490件の因果三つ子から1,056件のイデオロギーを抽出し,実証的に支持された因果方向を予測する能力に基づいて20件の最先端LCMを評価した。 その結果、イデオロギーに適合する項目は、非競合項目よりも一貫して困難であり、20モデル中18モデルにおいて、実証的に検証された因果記号が市場指向の項目よりも介入指向の期待と一致した場合、精度が体系的に高いことが判明した。 さらに、モデル err の場合、その誤った予測は不均等にリーンな介入指向であり、この方向スキューはワンショットのインコンテキストプロンプトによって排除されない。 これらの結果から,LCMはイデオロギー的に議論された経済問題に対してより正確であるだけでなく,一方のイデオロギー的な方向性に対して体系的に信頼性が低いことが示唆された。

関連論文リスト

• 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)
• FairReason: Balancing Reasoning and Social Bias in MLLMs [54.26091556079722]
  MLLM(Multimodal Large Language Models)は、様々なタスクやモダリティにおいて、最先端の成果をすでに達成している。 近年の研究では、推論能力をさらに推し進めるために、先進的なプロンプトスキームと後続の微調整を探求している。
  論文  参考訳（メタデータ） (2025-07-30T19:57:22Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Are LLMs (Really) Ideological? An IRT-based Analysis and Alignment Tool for Perceived Socio-Economic Bias in LLMs [0.0]
  大規模言語モデル(LLM)における社会経済的バイアスを検知・定量化するための項目応答理論(IRT)に基づくフレームワークを提案する。 IRTは項目の難易度を考慮し、イデオロギー的バイアス推定を改善する。 この実証的に検証されたフレームワークは、AIアライメントの研究を強化し、より公平なAIガバナンスを促進する。
  論文  参考訳（メタデータ） (2025-03-17T13:20:09Z)
• Gender Bias of LLM in Economics: An Existentialism Perspective [1.024113475677323]
  本稿では,大言語モデル(LLM)における性別バイアスについて検討する。 LLMは、明示的なジェンダーマーカーなしでもジェンダーステレオタイプを補強する。 LLMのバイアスは意図しない欠陥ではなく、合理的な処理の体系的な結果であると主張する。
  論文  参考訳（メタデータ） (2024-10-14T01:42:01Z)

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。