論文の概要: Beyond Anthropomorphism: Exploring the Roles of Perceived Non-humanity and Structural Similarity in Deep Self-Disclosure Toward Generative AI

• arxiv url: http://arxiv.org/abs/2605.13574v1
• Date: Wed, 13 May 2026 14:10:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.097308
• Title: Beyond Anthropomorphism: Exploring the Roles of Perceived Non-humanity and Structural Similarity in Deep Self-Disclosure Toward Generative AI
• Title（参考訳）: 人類同型を超えて - 生成AIに向けての深部自己開示における非人間性と構造的類似性の役割を探求する
• Authors: Satoru Shibuya,
• Abstract要約: 知覚された非人間性は、評価の理解を低下させる可能性がある。 構造的類似性は、ユーザの思考とAI応答の間に認識される論理的整合性を指す。 発見は、深い自己開示における信頼に関連する行動は、人為的知覚以外の要因を含む可能性があることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study investigates deep self-disclosure toward generative AI by examining perceived non-humanity and structural similarity as psychological factors beyond anthropomorphism. Perceived non-humanity may reduce evaluation apprehension, whereas structural similarity refers to the perceived logical alignment between a user's thinking and AI responses. Using cross-sectional survey data from 2,400 participants collected in 2025, this study analyzed associations with both the occurrence and depth of self-disclosure. Logistic regression indicated that the group high in both perceptions (Segment D) showed a significantly higher likelihood of disclosure than the baseline group (Segment A; OR = 11.35). ANOVA further showed significant between-group differences in disclosure depth. The findings suggest that trust-related behavior in deep self-disclosure may involve factors other than anthropomorphic perception. Because the study is exploratory and based on self-reported survey data, the results should be interpreted as associative rather than causal, and future longitudinal or experimental research is needed.
• Abstract（参考訳）: 本研究では,非人間性や構造的類似性が人為性以外の心理的要因として認識されることにより,生成AIに対する深い自己開示について検討した。 知覚された非人間性は、評価の理解を減少させるが、構造的類似性は、ユーザの思考とAI応答の論理的整合性を意味する。 2025年に収集された2,400人の参加者の横断的な調査データを用いて、自己開示の発生と深さの関連について分析した。 ロジスティック回帰は、両知覚において高い群(セグメントD)は、ベースライン群(セグメントA; OR = 11.35)よりも明らかに高い開示率を示した。 ANOVAは開示深度に有意な群間差を示した。 この結果は、深い自己開示における信頼関連行動は、人為的知覚以外の要因を含む可能性があることを示唆している。 本研究は探索的であり,自己申告した調査データに基づくので,因果関係ではなく連想的と解釈し,今後の縦断的・実験的研究が必要である。

関連論文リスト

• Hypothesis Hunting with Evolving Networks of Autonomous Scientific Agents [52.50038914857797]
  この過程を仮説探索と呼び、膨大な複雑な仮説空間を横断する持続的な探索を通して洞察を累積的に探索する。 本稿では、エージェント、ネットワーク、評価規範の相互作用としてフレームワークモデリングディスカバリであるAScienceを紹介し、ASCollabとして実装する。 実験により、このような社会的ダイナミクスは、多様性-品質-ノーベルティフロンティアに沿った専門家評価結果の蓄積を可能にすることが示された。
  論文  参考訳（メタデータ） (2025-10-08T08:47:07Z)
• Neural network embeddings recover value dimensions from psychometric survey items on par with human data [7.5591367381052175]
  SQuID(Survey and Questionnaire Item Embeddings Differentials)は,ニューラルネットワークの埋め込みによって心理測定項目から潜伏次元を復元する手法である。 本研究では,SQuIDで処理された大規模言語モデルから得られた埋め込みが,人間のレーダ判断から得られた人間の値の構造を復元できることを実証する。
  論文  参考訳（メタデータ） (2025-09-29T15:14:54Z)
• Investigating VLM Hallucination from a Cognitive Psychology Perspective: A First Step Toward Interpretation with Intriguing Observations [60.63340688538124]
  幻覚は、視覚言語モデル(VLM)で積極的に研究されている長年の問題である。 既存の研究は、幻覚は技術的な制限や梅毒のバイアスによるもので、後者はモデルがユーザの期待に沿う誤った回答を生み出す傾向があることを意味している。 本研究では, VLMの認知バイアスを分類し, サイコフィナンシー, 論理的不整合, 新たに同定された VLM の行動, 権威へのアピールなど, 幻覚へと導く。
  論文  参考訳（メタデータ） (2025-07-03T19:03:16Z)
• Practical Guide for Causal Pathways and Sub-group Disparity Analysis [1.8974791957167259]
  我々は因果不均質分析を用いて、感度特性と結果の間の因果関係を定量化し、検証する。 当社の2段階の調査は、レースがセンシティブな属性として機能するデータセットに焦点を当てています。 本研究は,ML分類誤差が最も大きい部分群が,最も影響を受けやすい部分群であることが実証された。
  論文  参考訳（メタデータ） (2024-07-02T22:51:01Z)
• 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)
• Self-Emotion-Mediated Exploration in Artificial Intelligence Mirrors: Findings from Cognitive Psychology [0.08739101659113153]
  本研究は,本質的な探索駆動を実現するための,人工エージェントの学習フレームワークを提案する。 データ分析は、人間の心理学的な研究に従って、プライドまたはサプライズを規定する。 結果: 国家と探検の因果関係はエージェントの大多数によって実証される。
  論文  参考訳（メタデータ） (2023-02-13T18:20:44Z)
• Interventional Causal Representation Learning [75.18055152115586]
  因果表現学習は、低レベルの感覚データから高レベルの潜伏因子を抽出しようとする。 介入データは因果表現学習を促進するか? 介入データは、しばしば潜伏因子の支援の幾何学的シグネチャを持つことを示す。
  論文  参考訳（メタデータ） (2022-09-24T04:59:03Z)
• ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
  因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。 純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
  論文  参考訳（メタデータ） (2021-03-26T02:42:38Z)

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。