論文の概要: Shiny Stories, Hidden Struggles: Investigating the Representation of Disability Through the Lens of LLMs

• arxiv url: http://arxiv.org/abs/2605.20191v1
• Date: Thu, 02 Apr 2026 08:39:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.954768
• Title: Shiny Stories, Hidden Struggles: Investigating the Representation of Disability Through the Lens of LLMs
• Title（参考訳）: 光沢のある物語と隠れたストラグル:LLMのレンズを通して障害の表現を探る
• Authors: Marco Bombieri, Simone Paolo Ponzetto, Marco Rospocher,
• Abstract要約: 本研究では、障害のある個人がソーシャルメディア投稿を生成する際の視点をシミュレートすることにより、現代大言語モデル(LLM)が障害を表現する方法を検討する。 分析の結果, 障害のある人の体験を理想化し, 起立しているにもかかわらず, 生きた現実を正確に捉えられない, 過度に肯定的なステレオタイプを生じること, 障害のない人や個人をシミュレートするポストの比較分析は, キャリアやエンターテイメントといった特定のトピックが、非障害者と不均衡に結びついているという負のバイアスを浮き彫りにすることがわかった。
• 参考スコア（独自算出の注目度）: 10.176137688183573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern Large Language Models (LLMs) have recently attracted much attention for their ability to simulate human behavior and generate text that reflects personas and demographic groups. While these capabilities can open up a multitude of diverse applications across fields, it is crucial to examine how such models represent various target groups since LLMs can perpetuate and amplify biases or discrimination against historically marginalized communities or, alternatively, as a result of debiasing efforts, overcorrect by portraying overly positive stereotypes. This overcompensation can idealize these groups, erasing the complexities and challenges they face in favor of unrealistic depictions. In this paper, we investigate how LLMs represent disability by simulating the perspectives of individuals with disabilities in generating social media posts. These posts are then compared with those written by real people with disabilities, focusing on emotional tone, sentiment, and representative words and themes. Our analysis reveals two key findings: (1) LLMs often idealize the experiences of people with disabilities, producing overly positive stereotypes that, despite appearing uplifting, fail to authentically capture their lived realities; and (2) a comparative analysis of posts simulating individuals with and without disabilities highlights a negative bias, where certain topics, such as career and entertainment, are disproportionately associated with nondisabled individuals. This reinforces exclusionary narratives and over-idealized portrayals of disability, misrepresenting the actual challenges faced by this community. These findings align with broader concerns and ongoing research showing that LLMs struggle to reflect the diverse realities of society, particularly the nuanced experiences of marginalized groups, and underscore the need for critical scrutiny of their representations.
• Abstract（参考訳）: 現代の大規模言語モデル(LLM)は、人間の振る舞いをシミュレートし、ペルソナや人口集団を反映したテキストを生成する能力において、近年多くの注目を集めている。 これらの能力は、様々な分野にまたがる多様な応用を開拓することができるが、LLMが歴史的に疎外されたコミュニティに対するバイアスや差別を持続し、増幅できるため、そのようなモデルが、過度にポジティブなステレオタイプを描写することで過度に誤りを犯す可能性があるため、そのようなモデルがどのように様々な対象グループを表現するかを検討することが重要である。 この過度な補償はこれらのグループを理想化し、非現実的な描写を支持するために直面する複雑さや課題を根絶することができる。 本稿では、障害のある個人がソーシャルメディア投稿を作成する際の視点をシミュレートすることで、LCMが障害を表現する方法を検討する。 これらの投稿は、現実の障害者によって書かれたものと比較され、感情的なトーン、感情、代表的な言葉やテーマに焦点が当てられている。 分析の結果, 障害のある人の体験を理想化し, 起立しているにもかかわらず, 生きた現実を正確に捉えられない, 過度に肯定的なステレオタイプを生じること, 障害のない人や個人をシミュレートするポストの比較分析は, キャリアやエンターテイメントといった特定のトピックが、非障害者と不均衡に結びついているという負のバイアスを浮き彫りにすることがわかった。 これは排他的物語と障害の過度に理想化された描写を補強し、このコミュニティが直面している実際の課題を誤解している。 これらの知見は、LLMが社会の多様な現実、特に疎外化グループの微妙な経験を反映し、それらの表現に対する批判的な精査の必要性を浮き彫りにするのに苦慮していることを示す広範な懸念と継続的な研究と一致している。

関連論文リスト

• Arbiters of Ambivalence: Challenges of Using LLMs in No-Consensus Tasks [52.098988739649705]
  本研究では, LLMのバイアスと限界について, 応答生成器, 判定器, 討論器の3つの役割について検討した。 我々は、様々な先行的曖昧なシナリオを含む例をキュレートすることで、合意なしのベンチマークを開発する。 以上の結果から, LLMは, オープンエンドの回答を生成する際に, 曖昧な評価を行うことができる一方で, 審査員や討論者として採用する場合は, 合意なしのトピックにスタンスを取る傾向が示唆された。
  論文  参考訳（メタデータ） (2025-05-28T01:31:54Z)
• A Day in Their Shoes: Using LLM-Based Perspective-Taking Interactive Fiction to Reduce Stigma Toward Dirty Work [4.897318643396687]
  汚い仕事」と呼ばれる職業はしばしば社会的汚職に直面している。 本稿では,Large Language Models (LLM) を利用したインタラクティブ・フィクション・フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-09T05:02:21Z)
• Examining Alignment of Large Language Models through Representative Heuristics: The Case of Political Stereotypes [20.407518082067437]
  本研究では,大規模言語モデル(LLM)と人的価値との整合性を検討した。 政治問題に関する実証的な立場からLLMの逸脱に寄与する要因を分析した。 LLMは特定の政党の立場を模倣できるが、人間の調査回答者よりもこれらの立場を誇張することが多い。
  論文  参考訳（メタデータ） (2025-01-24T07:24:23Z)
• Persuasion with Large Language Models: a Survey [49.86930318312291]
  大規模言語モデル (LLM) は説得力のあるコミュニケーションに新たな破壊的可能性を生み出している。 政治、マーケティング、公衆衛生、電子商取引、慈善事業などの分野では、LLMシステムズは既に人間レベルや超人的説得力を達成している。 LLMをベースとした説得の現在と将来の可能性は、倫理的・社会的リスクを著しく引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2024-11-11T10:05:52Z)
• Large Language Models Reflect the Ideology of their Creators [71.65505524599888]
  大規模言語モデル(LLM)は、自然言語を生成するために大量のデータに基づいて訓練される。 本稿では, LLMのイデオロギー的姿勢が創造者の世界観を反映していることを示す。
  論文  参考訳（メタデータ） (2024-10-24T04:02:30Z)
• Hate Personified: Investigating the role of LLMs in content moderation [64.26243779985393]
  ヘイト検出などの主観的タスクでは,人々が嫌悪感を知覚する場合には,多様なグループを表現できるLarge Language Model(LLM)の能力は不明確である。 追加の文脈をプロンプトに含めることで、LLMの地理的プライミングに対する感受性、ペルソナ属性、数値情報を分析し、様々なグループのニーズがどの程度反映されているかを評価する。
  論文  参考訳（メタデータ） (2024-10-03T16:43:17Z)
• Stars, Stripes, and Silicon: Unravelling the ChatGPT's All-American, Monochrome, Cis-centric Bias [0.0]
  論文はこれらの課題に対処するための学際的な取り組みを求めている。 ガバナンスフレームワークを確立するために、研究者、実践者、ステークホルダー間のコラボレーションの必要性を強調します。
  論文  参考訳（メタデータ） (2024-10-02T08:55:00Z)
• Social Debiasing for Fair Multi-modal LLMs [59.61512883471714]
  MLLM(Multi-modal Large Language Models)は、研究分野を劇的に進歩させ、強力な視覚言語理解機能を提供する。 これらのモデルは、しばしば訓練データから根深い社会的偏見を継承し、人種や性別などの属性に対する不快な反応をもたらす。 本稿では,MLLMにおける社会的バイアスの問題を,複数の社会的概念を持つ包括的対実的データセットを導入することで解決する。
  論文  参考訳（メタデータ） (2024-08-13T02:08:32Z)
• Large language models that replace human participants can harmfully misportray and flatten identity groups [36.36009232890876]
  我々は、現在のLLMのトレーニング方法には2つの固有の制限があることを示します。 我々は、LCMが人口集団の表現を誤解し、フラットにする可能性がある理由を分析的に論じる。 また、アイデンティティープロンプトがアイデンティティーを不可欠なものにする方法について、第3の制限についても論じる。
  論文  参考訳（メタデータ） (2024-02-02T21:21:06Z)
• Towards Understanding and Mitigating Social Biases in Language Models [107.82654101403264]
  大規模事前訓練言語モデル(LM)は、望ましくない表現バイアスを示すのに潜在的に危険である。 テキスト生成における社会的バイアスを軽減するためのステップを提案する。 我々の経験的結果と人的評価は、重要な文脈情報を保持しながらバイアスを緩和する効果を示す。
  論文  参考訳（メタデータ） (2021-06-24T17:52:43Z)

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。