論文の概要: Knowing but Not Showing: LLMs Recognize Ambiguity but Rarely Ask Clarifying Questions

• arxiv url: http://arxiv.org/abs/2605.25284v1
• Date: Sun, 24 May 2026 22:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.062195
• Title: Knowing but Not Showing: LLMs Recognize Ambiguity but Rarely Ask Clarifying Questions
• Title（参考訳）: LLMは曖昧さを認識しつつも, 質問の明確化を問う
• Authors: Jinyan Su, Claire Cardie,
• Abstract要約: 曖昧であいまいであいまいな質問のモデルを3つの設定で評価する。 モデルは、明示的に判断するよう要求されたときに曖昧さを識別することが多いが、QA設定では、圧倒的にデフォルトで答えを指示する。
• 参考スコア（独自算出の注目度）: 17.694274559676867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: User queries are often underspecified and may admit multiple valid interpretations. Rather than silently making assumptions about the user's intent, a helpful assistant should surface such ambiguity by asking a clarifying question. Doing so requires two abilities: recognizing that a query is ambiguous, and acting on that recognition by seeking clarification instead of answering directly. To study these abilities, we evaluate models on ambiguous, unambiguous, and disambiguated questions in three settings: standard question answering, explicit ambiguity judgment, and behavioral analysis, where a judge model classifies responses as direct answers, refusals, or clarifying questions. We find a clear gap between recognition and behavior: models often identify ambiguity when explicitly asked to judge it, yet in the QA setting they overwhelmingly default to direct answers. Retrieved context further widens this gap by improving answerability while making models even less likely to ask clarifying questions.
• Abstract（参考訳）: ユーザクエリはしばしば過小評価され、複数の有効な解釈が受け入れられる。 利用者の意図を暗黙に仮定する代わりに、補助的アシスタントは、明確な質問をすることで、そのような曖昧さを表面化すべきである。 クエリが曖昧であることを認識することと、直接答える代わりに明確化を求めることによって、その認識に作用する、という2つの能力が必要です。 これらの能力を研究するために, 標準的な質問応答, 明確なあいまいさ判定, 行動分析の3つの設定で, 判断モデルが回答を直接的な回答, 拒否, あるいは質問を明確にする。 モデルは、明示的に判断するよう要求されたときに曖昧さを識別することが多いが、QA設定では、圧倒的にデフォルトで答えを指示する。 検索されたコンテキストは、回答可能性を改善するとともに、モデルがより明確な質問をしにくくすることで、このギャップをさらに広げます。

関連論文リスト

• Teaching Vision-Language Models to Ask: Resolving Ambiguity in Visual Questions [24.349064784305316]
  視覚的質問応答(VQA)の文脈では、ユーザーは様々な表現習慣のために視覚言語モデル(VLM)に対して曖昧な質問をすることが多い。 本稿では,VQAコンテキストにおける曖昧性の3つの共通カテゴリを対象とするbftextClearVQAベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-07-18T09:31:43Z)
• Don't Just Say "I don't know"! Self-aligning Large Language Models for Responding to Unknown Questions with Explanations [70.6395572287422]
  自己調整法は,回答を拒否するだけでなく,未知の質問の解答不能を説明できる。 我々は, LLM自体を微調整し, 未知の質問に対する応答を所望の通りに調整するために, 偏差駆動による自己計算を行い, 有資格データを選択する。
  論文  参考訳（メタデータ） (2024-02-23T02:24:36Z)
• Clarify When Necessary: Resolving Ambiguity Through Interaction with LMs [58.620269228776294]
  そこで本稿では,ユーザに対して,あいまいさを解消するためのタスク非依存のフレームワークを提案する。 我々は3つのNLPアプリケーション(質問応答、機械翻訳、自然言語推論)にまたがるシステムを評価する。 インテントシムは堅牢であり、幅広いNLPタスクやLMの改善を実証している。
  論文  参考訳（メタデータ） (2023-11-16T00:18:50Z)
• Open-ended Commonsense Reasoning with Unrestricted Answer Scope [47.14397700770702]
  Open-ended Commonsense Reasoning は、1) 回答候補の短いリスト、2) 事前定義された回答スコープを提供することなく、Commonsenseの問題を解決するものとして定義される。 本研究では,事前学習した言語モデルを用いて,外部知識に基づく推論経路を反復的に検索する。 推論パスは、常識的な質問に対する最も正確な答えを特定するのに役立つ。
  論文  参考訳（メタデータ） (2023-10-18T02:45:54Z)
• Answering Ambiguous Questions via Iterative Prompting [84.3426020642704]
  オープンドメインの質問応答では、質問のあいまいさのため、複数の妥当な回答が存在する可能性がある。 ひとつのアプローチは、すべての有効な回答を直接予測することですが、これは、妥当性と多様性のバランスに苦労する可能性があります。 本稿では,あいまいな疑問に答える既存手法の欠陥に対処するため,AmbigPromptを提案する。
  論文  参考訳（メタデータ） (2023-07-08T04:32:17Z)
• Selectively Answering Ambiguous Questions [38.83930394700588]
  我々は, サンプルモデル出力における繰り返しの定量化が, 退避時期を決定する最も信頼性の高い手法であることが判明した。 その結果,サンプリングに基づく信頼度スコアは,比較的あいまいな質問に対する回答のキャリブレーションに有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-24T01:25:38Z)
• CLAM: Selective Clarification for Ambiguous Questions with Large Language Models [37.37606905433334]
  我々は,現在の SotA モデルでは,不正確な質問を提示しても,ユーザに対して明確化を求めないことを示す。 CLAMは,まずモデルを用いて曖昧な質問を検知し,不明瞭な質問が検出された場合,ユーザに対して明確化を求める。 本研究では,新しいあいまいな質問応答データセットを用いて,SotAに対して20.15パーセントの精度向上を実現していることを示す。
  論文  参考訳（メタデータ） (2022-12-15T12:47:18Z)
• Deciding Whether to Ask Clarifying Questions in Large-Scale Spoken Language Understanding [28.195853603190447]
  大規模会話エージェントは、様々なあいまいさでユーザの発話を理解するのに苦しむことがある。 本稿では,あいまいさと文脈的信号による仮説を生かした神経自覚モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-25T22:32:10Z)

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。