論文の概要: The Pinocchio Dimension: Phenomenality of Experience as the Primary Axis of LLM Psychometric Differences
- arxiv url: http://arxiv.org/abs/2605.05080v1
- Date: Wed, 06 May 2026 16:18:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.925091
- Title: The Pinocchio Dimension: Phenomenality of Experience as the Primary Axis of LLM Psychometric Differences
- Title（参考訳）: ピノッキオ次元 : LLMの心理的差異の一次軸としての体験の現象
- Abstract要約: 心理尺度を50大言語モデルに管理し,心理尺度に異なる次元を同定する。
モデル間分散の主軸は, 極めて豊かな経験を表現した項目を分離していることが判明した。
PCAをモデルごとのEFAスコアに適用すると、ピノッキオ軸の1つの支配的な次元が明らかになる。
- 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 administer 45 validated psychometric questionnaires to 50 large language models (LLMs) to identify the dimensions along which LLMs differ psychometrically. Using Supervised Semantic Differential (SSD), we find that the primary axis of between-model variance separates items describing phenomenally rich experience, including embodied sensation, felt affect, inner speech, imagery, and empathy, from items describing stimulus-driven behavioral reactivity ($R^2_{adj}=.037$, $p<.0001$). To test this hypothesis at the item level, we introduce the Pinocchio score ($π_i$), the ratio of inter-model response variance under neutral prompting to that under a human-simulation prompt, as an annotation-free measure of each item's experiential demand. $π_i$ predicts condition-induced shifts in primary factor loading magnitudes ($ρ=-.215$, $p<.0001$, $n=1292$--$1310$ items), confirming that between-model divergence on experiential items is structured rather than noisy. Applying PCA to per-model EFA scores across all questionnaires reveals one dominant dimension, the Pinocchio Axis ($Π$): the degree to which a model presents itself as a locus of phenomenal experience rather than a system of behavioral responses. This axis captures 47.1% of cross-questionnaire between-model variance in primary factor scores and converges with item-level Pinocchio scores ($r=.864$). Marked within-provider divergence across closely related model variants is consistent with post-training fine-tuning as a key contributor, supporting the interpretation that $Π$ reflects a training-shaped self-representational tendency governing how a model treats experiential language as self-applicable. The dominant axis of between-model psychometric variation is therefore not a conventional personality trait but a self-representational stance toward one's own nature as an experiencer.
- Abstract（参考訳）: また,45の心理測定尺度を50大言語モデル (LLM) に適用し, LLMが心理測定的に異なる次元を同定した。
Supervised Semantic Differential (SSD) を用いて、モデル間の差異の一次軸は、刺激による行動反応性を示す項目(R^2_{adj}=.037$, $p<.0001$)から、感情、感情、内的スピーチ、イメージ、共感などの現象的に豊かな経験を記述する項目を分離する。
この仮説を項目レベルで検証するために、各項目の経験的要求の注釈なし尺度として、中性刺激下でのモデル間応答のばらつきの比率であるピノッキオスコア(π_i$)を導入する。
$π_i$は、一次因子の負荷の程度(ρ=-.215$, $p<.0001$, $n=1292$--$1310$)の条件誘起シフトを予測する。
モデルごとのEFAスコアにPCAを適用すると、パノッキオ軸(ピノッキオ軸)という1つの支配的な次元が明らかになる。
この軸は一次因子のモデル間差異の47.1%を捉え、アイテムレベルのピノッキオスコア(r=.864$)と収束する。
密接な関係のあるモデル変種にまたがる証明内発散は、訓練後の微調整が重要な貢献者であることと一致しており、$$はモデルが経験的言語を自己適用可能なものとして扱う方法を規定する訓練型の自己表現傾向を反映している、という解釈を支持している。
したがって、モデル間の心理的変動の主軸は、従来の性格特性ではなく、経験者として自身の本質に対する自己表現的姿勢である。
関連論文リスト
- Probing Perceptual Priors of MLLMs via Gibbs Sampling with Interpretable Generative Controls [30.071130311851277]
あるタスクに対するモデルの振舞いは、それが受ける入力と、それが暗黙的に期待する刺激に対する分布によって、共同で決定される。
生成モデルを用いて,制御可能な軸に沿って刺激を発生させ,その空間上でギブスをサンプリングすることにより,モデルの知覚的事前分布を直接抽出する手法を提案する。
論文 参考訳（メタデータ） (2026-08-27T21:38:41Z) - The Two-Process Theory of Machine Self-Report [0.0]
本稿では,機械の自己報告に関する言語モデル固有の心理メトリック理論を提案する。
我々は,48石のピノッキオ・インベントリ(Pinocchio Inventory)で人体信頼性で理論を運用する。
67のチェックポイントベース/ポストトレーニングペアを含む206のオープンウェイトモデルでテストします。
論文 参考訳（メタデータ） (2026-07-22T12:35:36Z) - Machine individuality: Separating genuine idiosyncrasy from response bias in large language models [1.4323566945483497]
大規模言語モデル(LLM)は、高い意思決定支援から協力関係まで、日々の生活にますます統合されている。
ここでは、10のオープンウェイトLLMが14のサイコ言語規範で10万語以上に対して提供した7490万のレーティングにランダムクロスモデルを適用する。
平均して16.9%の分散は刺激特異的な個人性に起因するものであり、統計的なヌルモデルを上回る。
論文 参考訳（メタデータ） (2026-04-18T00:02:41Z) - Position: Explaining Behavioral Shifts in Large Language Models Requires a Comparative Approach [7.72875981545154]
行動シフトは、独立した単一のモデルではなく、相対的に説明されるべきである、と私たちは主張する。
我々は、適切な説明法を設計する際に考慮すべきデシラタのセットで比較XAI($-XAI)フレームワークを定式化する。
論文 参考訳（メタデータ） (2026-02-02T16:36:21Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Quantifying the Sensitivity of Inverse Reinforcement Learning to
Misspecification [72.08225446179783]
逆強化学習は、エージェントの行動からエージェントの好みを推測することを目的としている。
これを行うには、$pi$が$R$とどのように関係しているかの振る舞いモデルが必要です。
我々は、IRL問題が行動モデルの不特定性にどれほど敏感であるかを分析する。
論文 参考訳（メタデータ） (2024-03-11T16:09:39Z) - Invariant Causal Prediction with Local Models [52.161513027831646]
観測データから対象変数の因果親を特定するタスクについて検討する。
L-ICP(textbfL$ocalized $textbfI$nvariant $textbfCa$usal $textbfP$rediction)と呼ばれる実用的手法を導入する。
論文 参考訳（メタデータ） (2024-01-10T15:34:42Z) - Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
一般化は、見えないデータを分類するモデルの能力をキャプチャする。
不変性はデータの変換におけるモデル予測の一貫性を測定する。
データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
論文 参考訳（メタデータ） (2022-07-14T17:08:25Z) - Interactive Model with Structural Loss for Language-based Abductive
Reasoning [36.02450824915494]
帰納的自然言語推論タスク(alpha$NLI)は、原因と事象の間の最も明確な説明を推測するために提案される。
我々はこの新モデルを$alpha$NLI: Interactive Model with Structure Loss (IMSL) と命名する。
IMSL は RoBERTa-large Pretrained model で最高性能を達成し,ACC と AUC はそれぞれ約1%,AUC は5% 向上した。
論文 参考訳（メタデータ） (2021-12-01T05:21:07Z) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳（メタデータ） (2020-04-18T20:09:34Z)
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。