論文の概要: How Frontier LLMs Adapt to Neurodivergence Context: A Measurement Framework for Surface vs. Structural Change in System-Prompted Responses

• arxiv url: http://arxiv.org/abs/2605.00113v1
• Date: Thu, 30 Apr 2026 18:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.700165
• Title: How Frontier LLMs Adapt to Neurodivergence Context: A Measurement Framework for Surface vs. Structural Change in System-Prompted Responses
• Title（参考訳）: ニューロディバージェンスコンテキストに適応するフロンティアLSM:システムプロンプト応答の表面と構造変化の測定フレームワーク
• Authors: Ishan Gupta, Pavlo Buryi,
• Abstract要約: システムプロンプトにおけるニューロディバージェンス(ND)コンテキストに基づいて,フロンティアチャットベースの大規模言語モデル(LLM)が出力を調整するかどうかを検討する。 NDBenchは、2つのフロンティアモデル、3つのシステムプロンプトタイプ、4つの標準NDプロファイル、24つのカテゴリのプロンプトを含む576出力のベンチマークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We examine if frontier chat-based large language models (LLMs) adjust their outputs based on neurodivergence (ND) context in system prompts and describe the nature of these adjustments. Specifically, we propose NDBench, a 576-output benchmark involving two frontier models, three system prompt types (baseline, ND-profile assertion, and ND-profile assertion with explicit instructions for adjustments), four canonical ND profiles, and 24 prompts across four categories, one of which involves an adversarial masking strategy. Four trends emerge consistently from our findings. First, LLMs show significant adaptation under ND context, where fully instructed conditions yield lengthier and more structured outputs, characterized by higher token counts, more headings, and more granular steps (p < 10^-8, Holm-corrected). Second, such adaptation is largely structural in nature: although list density does not change much, there is a marked rise in the frequency of headings and per-step detail. Third, ND persona assertion alone fails to suppress potentially harmful tendencies, as masking-reinforcement decreases only in explicitly instructed cases (36-44% reduction); the reduction rate barely changes in persona assertion conditions. Moreover, reliability analysis of LLM-based harm assessment reveals that only two out of the six dimensions (masking and reinforcement, validation quality) exceed the pre-defined inter-judge agreement criterion (alpha >= 0.67) and thus can be considered primary results. NDBench is made publicly available along with its prompts, outputs, code, and other resources, forming a reproducible framework for auditing future LLMs' adaptation to ND awareness.
• Abstract（参考訳）: 我々は,システムプロンプトにおけるニューロディバージェンス(ND)の文脈に基づいて,フロンティアチャットベースの大規模言語モデル(LLM)が出力を調整するかどうかを検証し,これらの調整の性質について述べる。 具体的には,2つのフロンティアモデル,3つのシステムプロンプト型(ベースライン,ND-アサーション,ND-アサーション),4つの標準NDプロファイル,および4つのカテゴリにまたがる24のプロンプトを含む576出力ベンチマークであるNDBenchを提案する。 我々の発見から4つの傾向が一貫して現れる。 第一に、LLMはNDの文脈下で顕著な適応を示し、完全指示条件はより長めでより構造化された出力をもたらし、より高いトークン数、より多くの方向、よりきめ細かいステップ(p < 10^-8, Holm-corrected)によって特徴づけられる。 第2に、そのような適応は本質的には概ね構造的であり、リスト密度はあまり変化しないが、見出しの頻度とステップごとの詳細が顕著に増加する。 第三に、NDペルソナのアサーションだけでは潜在的に有害な傾向を抑えることができず、マスク強化は明示的に指示された場合にのみ減少し(36-44%の減少)、ペルソナのアサーション条件はわずかに変化しない。 さらに, LLMによる危害評価の信頼性分析により, 6次元のうち2次元(マスキング, 強化, バリデーション品質)のみが, 既定のジャッジ間合意基準(アルファ=0.67)を超えていることが判明した。 NDBenchはプロンプト、出力、コード、その他のリソースとともに公開されており、将来のLLMのND認識への適応を監査するための再現可能なフレームワークを形成している。

関連論文リスト

• I Know What I Don't Know: Latent Posterior Factor Models for Multi-Evidence Probabilistic Reasoning [0.0]
  本稿では,遅延後続因子 (LPF) をSum-Product Network (SPN) 推論のソフトな可能性因子に変換するフレームワークとして紹介する。 LPF を LPF-SPN (structured Factor-based inference) と LPF-Learned (end-to-end learned aggregate) とみなす。 8つのドメイン(7つの合成およびFEVERベンチマーク)で、LPF-SPNは高い精度(最大97.8%)、低い校正誤差(ECE 1.4%)、強い確率適合を達成する。
  論文  参考訳（メタデータ） (2026-03-13T10:05:14Z)
• FORESTLLM: Large Language Models Make Random Forest Great on Few-shot Tabular Learning [20.27406245916013]
  本稿では,大規模言語モデル(LLM)の意味的推論能力を用いて,決定林の構造的帰納バイアスを統一する枠組みを提案する。 まずLLMがラベル付きデータとラベルなしデータの両方の一貫性に基づいて候補分割を評価するセマンティックスプリッティング基準を導入し、より堅牢で一般化可能な木構造を数発の監視下で実現する。 第2に,LLMが決定経路とその支持例を簡潔で決定論的な予測に蒸留し,雑音の多い経験的推定を意味的インフォームドアウトプットに置き換える,葉ノード安定化のためのワンタイムインコンテキスト推論機構を提案する。
  論文  参考訳（メタデータ） (2026-01-16T14:08:51Z)
• RobuNFR: Evaluating the Robustness of Large Language Models on Non-Functional Requirements Aware Code Generation [52.87427601131587]
  NFR対応コード生成におけるLLMのロバスト性を評価するため,RobuNFRを提案する。 実験の結果,コード生成におけるNFRを考慮した場合,RobuNFRは試験LLMの問題を明らかにすることがわかった。
  論文  参考訳（メタデータ） (2025-03-28T20:05:33Z)
• The Remarkable Robustness of LLMs: Stages of Inference? [5.346230590800585]
  本研究では,Large Language Models (LLM) の構造的介入に対するロバスト性について検討する。 驚くべきことに、モデルは微調整なしでオリジナルのトップ1予測精度の72-95%を維持している。
  論文  参考訳（メタデータ） (2024-06-27T17:57:03Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Information Directed Sampling for Linear Partial Monitoring [112.05623123909895]
  線形報酬と観測構造を持つ部分的監視のための情報指向サンプリング(IDS)を導入する。 IDSは、ゲームの正確な可観測性条件に依存する適応的な最悪の後悔率を達成する。 結果がコンテキストおよびカーネル化設定にまで拡張され、アプリケーションの範囲が大幅に増加する。
  論文  参考訳（メタデータ） (2020-02-25T21:30:56Z)

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。