論文の概要: The Pragmatic Persona: Discovering LLM Persona through Bridging Inference

• arxiv url: http://arxiv.org/abs/2604.24079v1
• Date: Mon, 27 Apr 2026 06:01:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.765255
• Title: The Pragmatic Persona: Discovering LLM Persona through Bridging Inference
• Title（参考訳）: プラグマティック・ペルソナ:ブリッジ推論によるLLMペルソナの発見
• Authors: Jisoo Yang, Jongwon Ryu, Minuk Ma, Trung X. Pham, Junyeong Kim,
• Abstract要約: 大型言語モデル (LLM) は対話を通して固有で独特なペルソナを明らかにする。 本稿では,ブリッジング推論による対話を解釈する新しいフレームワークを提案する。 我々のアプローチは、LLMがターン間で意味を整理する方法を規定する潜在意味リンクをキャプチャする。
• 参考スコア（独自算出の注目度）: 6.671933768892354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) reveal inherent and distinctive personas through dialogue. However, most existing persona discovery approaches rely on surface-level lexical or stylistic cues, treating dialogue as a flat sequence of tokens and failing to capture the deeper discourse-level structures that sustain persona consistency. To address this limitation, we propose a novel analytical framework that interprets LLM dialogue through bridging inference -- implicit conceptual relations that connect utterances via shared world knowledge and discourse coherence. By modeling these relations as structured knowledge graphs, our approach captures latent semantic links that govern how LLMs organize meaning across turns, enabling persona discovery at the level of discourse coherence rather than surface realizations. Experimental results across multiple reasoning backbones and target LLMs, ranging from small-scale models to 80B-parameter systems, demonstrate that bridging-inference graphs yield significantly stronger semantic coherence and more stable persona identification than frequency or style-based baselines. These results show that persona traits are consistently encoded in the structural organization of discourse rather than isolated lexical patterns. This work presents a systematic framework for probing, extracting, and visualizing latent LLM personas through the lens of Cognitive Discourse Theory, bridging computational linguistics, cognitive semantics, and persona reasoning in large language models. Codes are available at https://github.com/JiSoo-Yang/Persona_Bridging.git
• Abstract（参考訳）: 大型言語モデル (LLM) は対話を通して固有で独特なペルソナを明らかにする。 しかし、既存のペルソナ発見のアプローチのほとんどは、表面レベルの語彙的あるいはスタイリスティックな手がかりに依存し、対話を平らなトークンの列として扱い、ペルソナの一貫性を維持するより深い談話レベルの構造を捉えることに失敗している。 この制限に対処するために,共用世界知識と談話コヒーレンスを介して発話を接続する暗黙的な概念的関係をブリッジング推論を通じてLLM対話を解釈する,新たな分析フレームワークを提案する。 これらの関係を構造化知識グラフとしてモデル化することにより、LLMがターン間で意味を整理する方法を規定する潜在意味リンクを捕捉し、表面実現よりも談話コヒーレンスレベルにおけるペルソナ発見を可能にする。 小規模モデルから80Bパラメータシステムまで,複数の推論バックボーンと目標LDMを対象とする実験結果から,ブリッジング推論グラフが周波数やスタイルベースラインよりもはるかに強いセマンティックコヒーレンスと安定したペルソナ識別をもたらすことが示された。 これらの結果から,ペルソナ形質は孤立した語彙パターンではなく,言論の構造的構造において一貫してコード化されていることが示唆された。 本研究は,認知談話理論のレンズ,コンピュータ言語学,認知意味論,および大規模言語モデルにおけるペルソナ推論を通じて,潜在LLM人物の探索,抽出,可視化を行うための体系的枠組みを提案する。 コードはhttps://github.com/JiSoo-Yang/Persona_Bridging.gitで公開されている。

関連論文リスト

• From Perception to Cognition: A Survey of Vision-Language Interactive Reasoning in Multimodal Large Language Models [66.36007274540113]
  MLLM(Multimodal Large Language Models)は、物理的世界に対する深い人間的な理解と相互作用を達成するための試みである。 情報取得(知覚)や推論(認知)を行う際、しばしば浅く不整合な統合を示す。 この調査では、新しい統合分析フレームワーク「知覚から認知へ」を紹介した。
  論文  参考訳（メタデータ） (2025-09-29T18:25:40Z)
• Drivel-ology: Challenging LLMs with Interpreting Nonsense with Depth [21.092167028989632]
  ドライブロロジーは「深みのあるナンセンス」によって特徴づけられる言語現象である 我々は、英語、マンダリン、スペイン語、フランス語、日本語、韓国語で、1200以上の精巧にキュレートされ、多様なサンプルのベンチマークデータセットを構築した。 現在の大規模言語モデル (LLM) は,ドライブロジカルテキストの階層的意味論の理解に一貫して失敗している。
  論文  参考訳（メタデータ） (2025-09-04T03:58:55Z)
• Semantic Mastery: Enhancing LLMs with Advanced Natural Language Understanding [0.0]
  本稿では,より高度なNLU技術を用いて,大規模言語モデル(LLM)を進化させる最先端の方法論について論じる。 我々は、構造化知識グラフ、検索強化生成(RAG)、および人間レベルの理解とモデルにマッチする微調整戦略の利用を分析する。
  論文  参考訳（メタデータ） (2025-04-01T04:12:04Z)
• An LLM Feature-based Framework for Dialogue Constructiveness Assessment [8.87747076871578]
  対話構築性評価に関する研究は、(i)個人が特定の行動をとること、議論に勝つこと、視点を変えること、またはオープンマインドネスを広げること、および(ii)そのような事例に対する対話に続く構成性の結果を予測することに焦点を当てている。 これらの目的は、解釈可能な特徴ベースモデルか、事前訓練された言語モデルのようなニューラルモデルのいずれかをトレーニングすることで達成できる。 特徴ベースとニューラルアプローチの強みを組み合わせた対話構築性評価のためのLLM特徴ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T22:10:52Z)
• Detecting Any Human-Object Interaction Relationship: Universal HOI Detector with Spatial Prompt Learning on Foundation Models [55.20626448358655]
  本研究では,ビジョン・ランゲージ(VL)基礎モデルと大規模言語モデル(LLM)を用いて,オープンワールド環境におけるユニバーサルインタラクション認識について検討する。 我々の設計にはHO Prompt-guided Decoder (HOPD) が含まれており、基礎モデルにおける高次関係表現と画像内の様々なHOペアとの結合を容易にする。 オープンカテゴリの対話認識では,対話文と解釈文の2つのタイプがサポートされている。
  論文  参考訳（メタデータ） (2023-11-07T08:27:32Z)
• CoVLM: Composing Visual Entities and Relationships in Large Language Models Via Communicative Decoding [66.52659447360104]
  CoVLM は LLM を誘導して、テキスト間の視覚的実体と関係を明示的に構成することができる。 テキスト間の視覚的実体と関係を明示的に構成するために,LLM をガイドする CoVLM を提案する。
  論文  参考訳（メタデータ） (2023-11-06T18:59:44Z)
• Simple Linguistic Inferences of Large Language Models (LLMs): Blind Spots and Blinds [59.71218039095155]
  我々は,ほとんどの人間が自明に感じる単純な推論タスクにおいて,言語理解能力を評価する。 我々は, (i) 文法的に特定された含意, (ii) 不確実性のある明らかな副詞を持つ前提, (iii) 単調性含意を目標とする。 モデルはこれらの評価セットに対して中程度から低い性能を示す。
  論文  参考訳（メタデータ） (2023-05-24T06:41:09Z)
• Cue-CoT: Chain-of-thought Prompting for Responding to In-depth Dialogue Questions with LLMs [59.74002011562726]
  我々は、よりパーソナライズされ魅力的な応答を提供するために、新しい言語的キューに基づく思考の連鎖(textitCue-CoT)を提案する。 中国語と英語の6つのデータセットからなる詳細な対話質問を用いたベンチマークを構築した。 実験により,提案手法は,すべてのデータセットにおいて,テクステルパーフルネスとテクスチタアクセプタビリティの両方の観点から,標準的プロンプト法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-19T16:27:43Z)

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。