論文の概要: Small edits, large models: How Wikipedia advocacy shapes LLM values

• arxiv url: http://arxiv.org/abs/2606.24890v3
• Date: Sun, 12 Jul 2026 16:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.932225
• Title: Small edits, large models: How Wikipedia advocacy shapes LLM values
• Title（参考訳）: 小さい編集、大きなモデル:Wikipediaの擁護はどのようにLCMの値を形作るか
• Abstract要約: The Pro-Animal Wikipedians (PAW)は、115ページにわたる125の編集を行った。 PAWが編集したセクションは、動物福祉クエリーの最も多く配布されているドキュメントの68%を構成している。 ウィキペディアの小さな編集キャンペーンは、編集対象のトピックを言語モデルがどのように扱うかを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can a small group of volunteers shape how AI systems discuss animal welfare, just by editing Wikipedia? We show that they can. Wikipedia appears in nearly every major language model training dataset and is weighted more heavily than web-crawled text. The Pro-Animal Wikipedians (PAW), a group of advocates who add sourced animal welfare content to relevant articles, have made 125 edits across 115 pages. Using gradient-based data attribution (Bergson; MAGIC), we traced how these edits influence language model behavior. TrackStar retrieval attribution on Llama 3.1 8B found that PAW-edited sections made up 68 percent of the highest-attributed documents for animal welfare queries (p < 0.0001) but only 52 percent for unrelated queries about the same companies (p = 0.53): the model links PAW content specifically to animal welfare topics, not to the entities in general. MAGIC counterfactual influence estimation on Llama-3.2-1B, run across five random training-order seeds, gave the same picture even more sharply: in every seed, the top-10 most influential documents on animal welfare queries were all PAW edits (10 of 10, 5 of 5 seeds), while on general queries the same top-10 sat at chance (4 to 6 of 10). Mean PAW influence exceeded mean control influence on animal welfare queries with p < 0.0001 in every seed, an effect 6 to 30 times larger than on general queries. Leave-subset-out validation gave Spearman rho = 1.00 for all 10 runs. When we fine-tuned separate models on PAW content versus control content, each model performed better specifically on the type of text it was trained on: the PAW-trained model cut perplexity on animal welfare text from 12.4 to 8.4, while the control-trained model cut perplexity on control text from 16.1 to 11.4. A small, coordinated Wikipedia editing campaign therefore measurably shapes how language models handle the topics those edits address.
• Abstract（参考訳）: ボランティアの小さなグループが、Wikipediaを編集するだけで、AIシステムが動物福祉について議論する方法を形作ることができるのか? 私たちは彼らにできることを示します。 Wikipediaは、ほぼすべての主要な言語モデルトレーニングデータセットに表示され、Webcrawledテキストよりも重み付けされている。 動物福祉コンテンツを関連記事に追加する団体であるPAW(Pro-Animal Wikipedians)は、115ページにわたって125の編集を行っている。 勾配に基づくデータ属性 (Bergson, MAGIC) を用いて, これらの編集が言語モデル行動に与える影響を調べた。 Llama 3.1 8Bのトラッカースター検索属性によると、PAWが編集したセクションは、動物福祉クエリー(p <0001)の最多記録文書の68%を占めるが、同一企業に関する無関係なクエリーでは52%(p = 0.53)しかない。 Llama-3.2-1Bは、ランダムな訓練順序の種子5種にまたがる反実的影響を推定し、さらに鮮明に分析した。すべての種において、動物福祉クエリーに関する最も影響力のある文書はPAW編集(10種中10種から5種)であり、一般的なクエリでは、同じトップ10がチャンス(4種から6種)であった。 平均PAWの影響は, 種ごとのp<0.0001であり, 一般クエリの6倍から30倍であった。 残留セットアウトのバリデーションにより、Spearman rho = 1.00が10ランすべてに対して与えられた。 PAW学習型モデルでは,動物福祉用テキストの難易度を12.4から8.4に,コントロール学習型モデルでは16.1から11.4に削減した。 そのため、ウィキペディアの小さな編集キャンペーンは、編集対象のトピックを言語モデルがどのように扱うかを測定することができる。

関連論文リスト

• Assert, don't describe: Linguistic features that shift LLM reasoning about animal welfare [0.0]
  それぞれの言語的特徴がLlama-3.2-1Bの嗜好をどう変えるかを測定する。 7つのモデルがより強力な親アニマル・ウェルフェア推論へと移行する。 一人称視点は統計的に有意な影響を及ぼさない。
  論文  参考訳（メタデータ） (2026-04-30T23:59:56Z)
• Improving Wildlife Out-of-Distribution Detection: Africas Big Five [0.3391919845593557]
  本研究では,野生生物,特にビッグファイブの分布外検出について検討した。 我々は,NCM(Nearest Class Mean)と非パラメトリックコントラスト学習アプローチをベースラインとして,一般的な分類エンコーダの事前学習および予測機能を活用する。 その結果、特徴に基づく手法は、様々な分類しきい値にまたがるより強力な一般化能力を反映していることがわかった。
  論文  参考訳（メタデータ） (2025-06-07T09:02:48Z)
• TAXI: Evaluating Categorical Knowledge Editing for Language Models [13.889284093852687]
  知識編集は、言語モデルに新しい事実を注入し、その事実性を改善することを目的としている。 現在のベンチマークでは、効率、正確、一般化可能な編集を保証するために重要な一貫性の評価に失敗している。 分類的知識編集における一貫性を評価するためのベンチマークデータセットであるTAXIを手作業で作成する。
  論文  参考訳（メタデータ） (2024-04-23T13:09:11Z)
• Understanding writing style in social media with a supervised contrastively pre-trained transformer [57.48690310135374]
  オンラインソーシャルネットワークは、ヘイトスピーチから偽情報の拡散まで、有害な行動の場として機能している。 本稿では, 4.5 x 106テキストの公開資料から得られた大規模コーパスに基づいて学習したStyle Transformer for Authorship Representations (STAR)を紹介する。 512個のトークンからなる8つのドキュメントからなるサポートベースを使用して、著者を最大1616人の著者のセットから、少なくとも80%の精度で識別することができる。
  論文  参考訳（メタデータ） (2023-10-17T09:01:17Z)
• Text Classification via Large Language Models [63.1874290788797]
  テキスト分類に関わる複雑な言語現象に対処するために、Clue And Reasoning Prompting (CARP)を導入する。 注目すべきは、CARPが5つの広く使用されているテキスト分類ベンチマークのうち4つで新しいSOTAパフォーマンスを得ることだ。 さらに重要なのは、CARPが低リソースとドメイン適応のセットアップで素晴らしい能力を提供します。
  論文  参考訳（メタデータ） (2023-05-15T06:24:45Z)
• Does Localization Inform Editing? Surprising Differences in Causality-Based Localization vs. Knowledge Editing in Language Models [68.03946716358335]
  既存の方法と異なる位置にある重みを編集することで、その事実をモデルに格納する方法を変えることができる。 特定のモデルパラメータに事実をローカライズすることで、モデル内の知識を操作する場所がわかると期待しているからです。 我々の結果は、事前訓練された言語モデルがどのように機能するかのより優れた機械的理解が、必ずしも行動の最良の変更方法に関する洞察に結びつくとは限らないことを示唆している。
  論文  参考訳（メタデータ） (2023-01-10T21:26:08Z)
• AP-10K: A Benchmark for Animal Pose Estimation in the Wild [83.17759850662826]
  一般的な動物のポーズ推定のための,最初の大規模ベンチマークであるAP-10Kを提案する。 AP-10Kは動物23種と60種から収集・濾過された10,015枚からなる。 その結果、様々な動物種からの学習の精度と一般化能力の両面での優位性に関する実験的な証拠が得られた。
  論文  参考訳（メタデータ） (2021-08-28T10:23:34Z)

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。