論文の概要: Can You Make It Sound Like You? Post-Editing LLM-Generated Text for Personal Style

• arxiv url: http://arxiv.org/abs/2604.24444v1
• Date: Mon, 27 Apr 2026 13:11:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.015059
• Title: Can You Make It Sound Like You? Post-Editing LLM-Generated Text for Personal Style
• Title（参考訳）: 自分らしく聞こえる? LLMで作った個人用テキストをポスト編集する
• Authors: Connor Baumler, Calvin Bao, Huy Nghiem, Xinchen Yang, Marine Carpuat, Hal Daumé,
• Abstract要約: 大規模言語モデルの後編集(LLM)は、共通の共同執筆戦略である。 後編集は、参加者の無支援の執筆とスタイル的類似性を高めることが判明した。 認識されたスタイル的真性とモデル計測されたスタイル的類似性の間にはギャップがある。
• 参考スコア（独自算出の注目度）: 21.31042786004255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the growing use of large language models (LLMs) for writing tasks, users may hesitate to rely on LLMs when personal style is important. Post-editing LLM-generated drafts or translations is a common collaborative writing strategy, but it remains unclear whether users can effectively reshape LLM-generated text to reflect their personal style. We conduct a pre-registered online study ($n=81$) in which participants post-edit LLM-generated drafts for writing tasks where personal style matters to them. Using embedding-based style similarity metrics, we find that post-editing increases stylistic similarity to participants' unassisted writing and reduces similarity to fully LLM-generated output. However, post-edited text still remains stylistically closer in style to LLM text than to participants' unassisted control text, and it exhibits reduced stylistic diversity compared to unassisted human text. We find a gap between perceived stylistic authenticity and model-measured stylistic similarity, with post-edited text often perceived as representative of participants' personal style despite remaining detectable LLM stylistic traces.
• Abstract（参考訳）: タスク記述に大規模言語モデル(LLM)の利用が増えているにもかかわらず、個人的スタイルが重要な場合、ユーザはLSMに頼ることをためらうことがある。 編集後 LLM 生成の草案や翻訳は共同執筆戦略として一般的なものであるが,ユーザが LLM 生成のテキストを効果的に再作成して個人のスタイルを反映できるかどうかは不明である。 個人的スタイルが重要となるタスクを書くための LLM 作成後ドラフトを参加者が作成する,事前登録したオンライン調査(n=81$)を実施している。 埋め込み型スタイルの類似度測定値を用いて、後編集は参加者の非支援的な記述とスタイル的類似度を高め、完全なLCM生成出力との類似度を低減する。 しかし、後編集テキストは、参加者の無支援制御テキストよりもLLMテキストにスタイル的に近いままであり、非支援人間のテキストに比べてスタイルの多様性が低下している。 LLMのテクスト的痕跡が残っているにもかかわらず、後編集のテキストはしばしば参加者の個人的スタイルの代表として認識される。

関連論文リスト

• Interpretable Stylistic Variation in Human and LLM Writing Across Genres, Models, and Decoding Strategies [0.34202935599316525]
  大規模言語モデル(LLM)は、高度に流動的で人間らしいテキストを生成することができる。 LLMは、多くのアプリケーションを可能にするだけでなく、大規模なスパム、フィッシング、学術的誤用といった懸念も引き起こす。 人文テキストと11 LLMの出力のスタイリスティックな変動を大規模に解析する。
  論文  参考訳（メタデータ） (2026-04-15T17:31:21Z)
• Iterative Critique-Refine Framework for Enhancing LLM Personalization [67.77803308645511]
  PerFineは、パーソナライズされたテキスト生成のための、統一的でトレーニング不要な批判修正フレームワークである。 各イテレーションにおいて、LLMジェネレータは、検索されたプロファイルに条件付きドラフトを生成し、同じプロファイルに条件付きである批評家のLLMは、トーン、語彙、文構造、話題性に関する構造化されたフィードバックを提供する。 Yelp、Goodreads、Amazonのデータセット全体で、PerFineはPGraphRAGに対するパーソナライゼーションを一貫して改善している。
  論文  参考訳（メタデータ） (2025-10-28T14:36:22Z)
• Can AI writing be salvaged? Mitigating Idiosyncrasies and Improving Human-AI Alignment in the Writing Process through Edits [39.00434175773803]
  私たちはプロの作家を雇い、いくつかの創造的なドメインで段落を編集しました。 LAMPコーパス 1,057 LLM- generated paragraphs by professional writer based by our taxonomy。 LAMPの分析から,本研究で用いたLLMはいずれも,書字品質の面では優れていないことが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-22T16:13:00Z)
• Customizing Large Language Model Generation Style using Parameter-Efficient Finetuning [24.263699489328427]
  ワンサイズフィットのすべての大規模言語モデル(LLM)は、人々が書くのを助けるためにますます使われています。 本稿では,Low-Rank Adaptationを用いたパラメータ効率ファインタニング(PEFT)がLLM世代を効果的に導くことができるかどうかを考察する。
  論文  参考訳（メタデータ） (2024-09-06T19:25:18Z)
• ReMoDetect: Reward Models Recognize Aligned LLM's Generations [55.06804460642062]
  大型言語モデル (LLM) は人間の好むテキストを生成する。 本稿では,これらのモデルで共有される共通特性について述べる。 報奨モデルの検出能力をさらに向上する2つのトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-05-27T17:38:33Z)
• Improving Factual Consistency of News Summarization by Contrastive Preference Optimization [65.11227166319546]
  大規模言語モデル(LLM)は、本来の記事と現実的に矛盾する要約を生成する。 これらの幻覚は、従来の方法による検出が困難である。 本稿では,LLMの適合性を解消し,忠実で偽のコンテンツを生成するコントラスト優先最適化(CPO)を提案する。
  論文  参考訳（メタデータ） (2023-10-30T08:40:16Z)
• Learning Interpretable Style Embeddings via Prompting LLMs [46.74488355350601]
  スタイル表現学習はテキストで著者スタイルのコンテンツに依存しない表現を構築する。 現在のスタイル表現学習では、ニューラルネットワークを使ってスタイルをコンテンツから切り離し、スタイルベクトルを作成する。 我々は、多くのテキストでスタイメトリーを実行し、合成データセットを作成し、人間の解釈可能なスタイル表現を訓練するために、プロンプトを使用する。
  論文  参考訳（メタデータ） (2023-05-22T04:07:54Z)
• DPIC: Decoupling Prompt and Intrinsic Characteristics for LLM Generated Text Detection [56.513637720967566]
  大規模言語モデル(LLM)は、盗作、eコマースプラットフォームへの偽レビューの設置、炎症性偽ツイートなどの誤用のリスクを引き起こすテキストを生成することができる。 既存の高品質な検出手法では、本質的な特徴を抽出するために、モデルの内部にアクセスする必要がある。 ブラックボックスモデル生成テキストの深い内在特性を抽出する。
  論文  参考訳（メタデータ） (2023-05-21T17:26:16Z)

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。