論文の概要: Annotator Positionality as Signal: Psychometric Weighting for Anti-Autistic Ableism Detection

• arxiv url: http://arxiv.org/abs/2605.26397v1
• Date: Tue, 26 May 2026 00:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.508784
• Title: Annotator Positionality as Signal: Psychometric Weighting for Anti-Autistic Ableism Detection
• Title（参考訳）: 信号としてのアノテータの位置性:反自閉症的アブレズム検出のための心理量重み付け
• Authors: Naba Rizvi, Harper Strickland, Saleha Ahmedi, Nedjma Ousidhoum,
• Abstract要約: 本稿では,アノテータの位置に固定された心理量重みを持つコミュニティ近親相反有能言語を対象としたバイアス認識評価フレームワークを提案する。 LLMは有害なアウトプットを頻繁に生成し,評価機器を隠蔽した場合の自閉症者に対するネガティブな態度を示す。
• 参考スコア（独自算出の注目度）: 4.272574809042127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly used in decision-making tasks where they can amplify or suppress perspectives, raising concerns in high-stakes settings affecting autistic communities. While previous research has identified disability-related biases in LLMs, it remains unclear how they conceptualize ableism or detect it in text. We introduce a bias-aware evaluation framework targeting anti-autistic ableist language with a psychometrically-weighted, community-proximate ground truth anchored in annotator positionality. This framework constitutes a stricter standard than conventional majority-vote aggregation which significantly and consistently underweights autistic and autism-accepting perspectives. We find that LLMs frequently produce harmful outputs, mislabel community-reclaimed language as ableist, and express more negative attitudes toward autistic people when assessment instruments are masked. Our error analysis reveals that models rely on surface-level keyword matching rather than contextual factors such as speaker identity, and whether the language fosters in-group solidarity or inflicts out-group harm.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、視点を増幅したり抑制したりできる意思決定タスクにますます使われており、自閉症コミュニティに影響を及ぼすハイテイクな設定の懸念が高まっている。 以前の研究では、LSMの障害関連バイアスが特定されているが、いかにして能力主義を概念化し、テキストで検出するかは定かではない。 本稿では,アノテータの位置に固定された心理量重みを持つコミュニティ近親相反有能言語を対象としたバイアス認識評価フレームワークを提案する。 この枠組みは従来の多数決投票の集計よりも厳格な基準を構成しており、自閉症と自閉症を受容する観点を著しく、一貫して過小評価している。 LLMは有害なアウトプットを頻繁に生成し,評価機器を隠蔽した場合の自閉症者に対するネガティブな態度を示す。 誤り分析の結果, 話者識別などの文脈的要因よりも, 言語がグループ内連帯を促進させるか, グループ外害を生じさせるか, 表面レベルのキーワードマッチングにモデルが依存していることが判明した。

関連論文リスト

• Attribute-Based Diagnosis of LLM Alignment with Hate Speech Annotations [48.69228180369574]
  ヘイトスピーチアノテーションはコストが高く、主観的で、アノテータの意見の相違がちである。 大規模言語モデル(LLM)が人間の判断とどのように一致しているかを分析する。 本研究では, ヘイトスピーチコーパスから連続ヘイトスピーチスコアを再構成する。
  論文  参考訳（メタデータ） (2026-05-26T13:44:48Z)
• Adapting Self-Supervised Speech Representations for Cross-lingual Dysarthria Detection in Parkinson's Disease [72.0406069194794]
  音声表現は、しばしば言語に依存した構造を符号化する。 本稿では,ソース言語による自己教師型音声表現とターゲット言語分布とを一致させる表現レベル言語シフトを提案する。 チェコ語,ドイツ語,スペイン語におけるパーキンソン病音声データセットの経口DDK記録に対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2026-03-23T17:23:39Z)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• Beyond Keywords: Evaluating Large Language Model Classification of Nuanced Ableism [2.0435202333125977]
  大規模言語モデル(LLM)は、r'esumのスクリーニングやコンテンツモデレーションといった意思決定タスクにますます使われています。 自閉症者を対象としたニュアンス能力の同定のための4つのLSMの能力について検討した。 以上の結果から, LLMは自閉症関連言語を識別できるが, 有害あるいは攻撃的な意味を欠くことが多いことが明らかとなった。
  論文  参考訳（メタデータ） (2025-05-26T20:01:44Z)
• AUTALIC: A Dataset for Anti-AUTistic Ableist Language In Context [1.3334268990558924]
  AUTALICは、文脈における反音響的有能言語の検出に特化した最初のベンチマークデータセットである。 データセットはRedditから収集された2,400の自閉症関連文からなり、周囲の文脈を伴い、神経多様性の背景を持つ訓練された専門家によって注釈付けされている。
  論文  参考訳（メタデータ） (2024-10-21T21:21:29Z)
• Auditing Algorithmic Fairness in Machine Learning for Health with Severity-Based LOGAN [70.76142503046782]
  臨床予測タスクにおいて,局所バイアスを自動検出するSLOGANを用いて,機械学習ベースの医療ツールを補足することを提案する。 LOGANは、患者の重症度と過去の医療史における集団バイアス検出を文脈化することにより、既存のツールであるLOcal Group biAs detectioNに適応する。 SLOGANは, クラスタリング品質を維持しながら, 患者群の75%以上において, SLOGANよりも高い公平性を示す。
  論文  参考訳（メタデータ） (2022-11-16T08:04:12Z)

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。