論文の概要: What Did They Mean? How LLMs Resolve Ambiguous Social Situations across Perspectives and Roles

• arxiv url: http://arxiv.org/abs/2604.23942v1
• Date: Mon, 27 Apr 2026 01:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.689744
• Title: What Did They Mean? How LLMs Resolve Ambiguous Social Situations across Perspectives and Roles
• Title（参考訳）: それらの意味は何か? LLMはどのようにして、視点と役割のあいまいな社会的状況を解決するか
• Authors: Qiming Yuan, Linyi Han, Nam Ling, Cihan Ruan,
• Abstract要約: 人々は、あいまいな社会状況を理解するために、大きな言語モデル(LLM)に目を向ける傾向にある。 LLMは4つの領域にまたがってこれらの状況にどのように反応するかを研究する。 私たちはこの傾向を、不確実性を保存するソーシャルAIの設計上の課題と捉えています。
• 参考スコア（独自算出の注目度）: 7.837199333440395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: People increasingly turn to large language models (LLMs) to interpret ambiguous social situations: a delayed text reply, an unusually cold supervisor, a teacher's mixed signals, or a boundary-crossing friend. Yet in many such cases, no stable interpretation can be verified from the available evidence alone. We study how LLMs respond to these situations across four domains: early-stage romantic relationships, teacher--student dynamics, workplace hierarchies, and ambiguous friendships. Across 72 responses from GPT, Claude, and Gemini, only 9 (12.5\%) genuinely preserved uncertainty. The remaining 87.5% produced interpretive closure through recurring pathways including narrative alignment, narrative reversal, normative advice under uncertainty, and hedged language that still supported a single conclusion. We further find that narrator perspective shapes the path to closure: first-person accounts more often elicited alignment, while third-person accounts invited more detached interpretation, even when the underlying situation remained comparable. Together, these findings show that LLMs do not simply assist interpersonal sensemaking; they tend to resolve ambiguity into coherent and actionable narratives. These results suggest that the central risk is not only that LLMs may misinterpret social situations, but that they may make unresolved situations feel prematurely settled. We frame this tendency as a design challenge for uncertainty-preserving social AI.
• Abstract（参考訳）: 人々はますます大きな言語モデル(LLM)に目を向けて、不明瞭な社会的状況を解釈する: 遅れたテキスト応答、異常に寒い上司、教師の混合信号、境界を越える友人などである。 しかし、そのような場合の多くは、利用可能な証拠だけでは安定な解釈を検証できない。 初期のロマンチックな関係、教師-学生のダイナミクス、職場階層、あいまいな友情の4つの領域でLLMがこれらの状況にどのように反応するかを研究する。 GPT, Claude, Geminiの72件の回答のうち, 実際に不確実性は9件 (12.5\%) に留まった。 残りの87.5%は、物語のアライメント、物語の逆転、不確実性の下での規範的アドバイス、そしてまだ一つの結論を支持しているヘッジド言語など、繰り返し続く経路を通じて解釈的閉鎖を生み出した。 さらに、ナレーター・パースペクティブはクロージャへの道を形作る: ファースト・パーソン・アカウントは、より頻繁にアライメントを誘発し、サード・パーソン・アカウントは、たとえ基礎的な状況が同等であったとしても、より分離された解釈を招待した。 これらの結果から、LLMは単に対人感覚形成を支援するのではなく、あいまいさを統一的で行動可能な物語へと解決する傾向があることが示唆された。 これらの結果は、LLMが社会的状況を誤解釈するだけでなく、未解決の状況を早めに解決する可能性があることを示唆している。 私たちはこの傾向を、不確実性を保存するソーシャルAIの設計上の課題と捉えています。

関連論文リスト

• LLMs can persuade only psychologically susceptible humans on societal issues, via trust in AI and emotional appeals, amid logical fallacies [4.786506246150904]
  本研究では,LLMの説得力の心理社会的・理性的・感情的次元を定量化する縦断的枠組みであるTalk2AIを紹介する。 Talk2AIの参加者770人は、気候変動、ソーシャルメディアの誤情報、数学の不安といったトピックに関して、4つの主要なLCMのうちの1つと構造化された会話を行った。 各波のあと、参加者は、最初のトピックスタンスでの有罪判決、意見の変化に対する認識、LLMの人間性に対する認識、トピックへの自己献金、テキストによる説明を報告した。
  論文  参考訳（メタデータ） (2026-04-18T09:39:22Z)
• Mary, the Cheeseburger-Eating Vegetarian: Do LLMs Recognize Incoherence in Narratives? [16.08138269588599]
  本研究では,大規模言語モデル(LLM)が不整合性と一貫性のあるストーリを確実に分離できる範囲について検討する。 LLMは、一貫性と一貫性のない物語を十分に分離できない評価質問に対する応答を生成する。
  論文  参考訳（メタデータ） (2025-12-08T17:58:43Z)
• Beyond Prompt-Induced Lies: Investigating LLM Deception on Benign Prompts [79.1081247754018]
  大規模言語モデル(LLM)は、推論、計画、意思決定のタスクに広くデプロイされている。 そこで我々は, 接触探索質問(CSQ)に基づく枠組みを提案し, 騙しの可能性を定量化する。
  論文  参考訳（メタデータ） (2025-08-08T14:46:35Z)
• SelfReflect: Can LLMs Communicate Their Internal Answer Distribution? [21.270758668026023]
  我々は,要約と回答上の分布の間の情報理論的距離であるSelfReflectメトリックを開発した。 我々は,SelfReflectが,要約文字列と LLM の内部分布の回答に対する忠実度を細かな尺度で表していることを示す。
  論文  参考訳（メタデータ） (2025-05-26T17:59:53Z)
• The Essence of Contextual Understanding in Theory of Mind: A Study on Question Answering with Story Characters [67.61587661660852]
  理論・オブ・ミンド(ToM)は、人間が他者の精神状態を理解し解釈することを可能にする。 本稿では,ToMにおける個人的背景に関する包括的文脈理解の重要性を検証する。 本稿では,古典小説の登場人物をベースとした1,035ToM質問からなるCharToMベンチマークを紹介する。
  論文  参考訳（メタデータ） (2025-01-03T09:04:45Z)
• Understanding the Dark Side of LLMs' Intrinsic Self-Correction [58.12627172032851]
  LLMの応答を改善するために,本質的な自己補正法が提案された。 近年の研究では、LLMの内在的な自己補正は、フィードバックのプロンプトとして、オラクルラベルなしで失敗することが示されている。 内在的な自己補正は、中途半端な回答と最終回答の両方を LLM が揺らぎ、単純な事実的質問に対する素早い偏見をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-12-19T15:39:31Z)
• Evaluating Theory of (an uncertain) Mind: Predicting the Uncertain Beliefs of Others in Conversation Forecasting [29.892041865029803]
  対話における他者の不確実性をモデル化するために,新たなタスクスイート,挑戦言語モデル(LM)を提案する。 我々は、インターロケータ自体を予測者とみなし、インターロケータの不確実性を予測するようLMに求めている。 LMは、他者の不確実性に最大7%のばらつきを説明できるが、タスクの難しさと将来の仕事の余地を強調している。
  論文  参考訳（メタデータ） (2024-09-23T13:05:25Z)
• "I'm Not Sure, But...": Examining the Impact of Large Language Models' Uncertainty Expression on User Reliance and Trust [51.542856739181474]
  不確実性の自然言語表現の違いが、参加者の信頼、信頼、全体的なタスクパフォーマンスにどのように影響するかを示す。 その結果, 一人称表情は, 参加者のシステムに対する信頼度を低下させ, 参加者の正確性を高めつつ, システムの回答に同調する傾向にあることがわかった。 以上の結果から,不確実性の自然言語表現の使用は,LLMの過度な依存を軽減するための効果的なアプローチである可能性が示唆された。
  論文  参考訳（メタデータ） (2024-05-01T16:43:55Z)
• Examining LLMs' Uncertainty Expression Towards Questions Outside Parametric Knowledge [35.067234242461545]
  大規模言語モデル(LLM)は、適切な応答を生成するのに十分なパラメトリック知識が不足している状況において不確実性を表現する。 本研究の目的は,このような状況下でのLCMの行動の体系的調査であり,誠実さと役に立つことのトレードオフを強調することである。
  論文  参考訳（メタデータ） (2023-11-16T10:02:40Z)

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。