論文の概要: When Certainty Is an Artifact: Keyword Lexicon Blindness and the (Mis)Measurement of Rhetorical Stance
- arxiv url: http://arxiv.org/abs/2606.26062v1
- Date: Wed, 24 Jun 2026 17:36:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.405496
- Title: When Certainty Is an Artifact: Keyword Lexicon Blindness and the (Mis)Measurement of Rhetorical Stance
- Title（参考訳）: 確実性が人工物であるとき--キーワード辞書のブラインドネスと(ミス)修辞的スタンスの測定
- Abstract要約: キーワードベースのスコアリングでは,ロバストな負完全/真正の語彙共起パターンが見つかる。
キーワードレキシコンは普遍的な語彙的共起傾向を測定する。
- 参考スコア（独自算出の注目度）: 4.093009863847175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Can a statistically significant, large-effect-size finding in computational social science be entirely an artifact of the measurement instrument? We present a case where the answer appears to be yes. Analyzing 85 interviews across four public intellectuals (2016--2026), we find a robust negative-affect/emphatic-certainty lexical co-occurrence pattern under keyword-based scoring ($r = 0.72$--$0.93$, $p < 0.01$ for all four speakers). Replacing keyword counting with LLM-based zero-shot semantic classification on the complete diarized corpus (32,625 sentences) dramatically reduces this correlation: Dalio's $r = 0.851$ drops to $r = 0.206$, with two speakers showing negative $r(\text{neg}, \text{emphatic})$ and one showing null. In contrast, the LLM reveals a strong negative-hedging coupling across speakers -- Rogoff's $r(\text{neg}, \text{hedged}) = 0.875$ ($p = 0.001$) and Zeihan's $r(\text{neg}, \text{hedged}) = 0.722$ ($p = 0.008$) -- consistent with the conventional expectation that pessimistic discourse attracts hedging, not certainty. Sentence-level error analysis traces this discrepancy to three structural failure modes in keyword lexicons -- syntactic blindness, polysemy blindness, and categorical absence -- illustrated through cases where keyword counting inverts semantic meaning (e.g., ''never absolutely totally confident'' scored as high-certainty). We argue that keyword lexicons measure a universal lexical co-occurrence tendency -- negative discourse naturally attracts emphatic vocabulary -- that is orthogonal to, and can systematically invert, rhetorical stance. Treating keyword counts as measurements of epistemic certainty is a category error: a finding that appears to be about a speaker's psychology may be entirely about the counting of words.
- Abstract（参考訳）: 計算社会科学における統計的に重要な大規模発見は、測定器の人工物であるだろうか?
答えがイエスのように見える事例を提示する。
4人の公的な知識人(2016年～2026年)を対象とした85のインタビューを分析して、キーワードベースのスコアリング(r = 0.72$--$0.93$, $p < 0.01$)の下で、堅牢な負の完全/真正の語彙的共起パターンを見出した。
Dalio's $r = 0.851$ drops to $r = 0.206$, with two speakers showed negative $r(\text{neg}, \text{emphatic})$ and one shows null。
対照的に、LLMは話者間の強い負のヘッジ結合を明らかにしている -- Rogoff's $r(\text{neg}, \text{hedged}) = 0.875$$$p = 0.001$) および Zeihan's $r(\text{neg}, \text{hedged}) = 0.722$$$p = 0.008$) -- 悲観的談話がヘッジを引き付けるという従来の期待と一致している。
文レベルのエラー分析では、この違いを3つの構造的障害モード – 構文的盲点、多節的盲点、カテゴリ的欠如 – に遡る。
キーワードレキシコンは、普遍的な語彙的共起傾向(負の言説は自然に強調的な語彙を引き付ける)を測り、直交的であり、体系的に逆の、修辞的なスタンスに直交する。
認識的確実性の測定としてキーワードカウントを扱うことは、カテゴリーエラーである:話者の心理学に関するように見える発見は、言葉の数え方に関するものであるかもしれない。
関連論文リスト
- From a Word-Level Dictionary to Sentence-Level Semantics: Multilingual Grievance Labelling with Contextual Models [3.5005774502836995]
グリーバンス(Greevance)は、暴力の脅威を評価する際にアナリストが求める警告の1つだ。
オンラインテキストから大規模に測定されるようになり、多くの場合、重み付けされた用語でスコア付けされる単語レベルのレキシコンで測定される。
我々は、周囲の文脈を読み取ることにより、より忠実にグリーバンスを測定することを示す。
論文 参考訳（メタデータ） (2026-07-23T05:56:04Z) - 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) - Sparse Autoencoders Map Brain-LLM Alignment onto Cortical Semantic Topography [13.891522069967507]
意味的特徴だけでピークエンコーディング性能の94%を回復することを示す。
また,SAEによって発見された特徴が,既知の皮質意味組織を再カプセル化することを示す。
結果は英語、中国語、フランス語で一般化される。
論文 参考訳（メタデータ） (2026-05-21T21:00:24Z) - Scale-Sensitive Shattering: Learnability and Evaluability at Optimal Scale [54.65053906803857]
実数値関数クラスが一様収束と学習可能性を示す最適尺度について検討する。
本研究の主な成果は,PAC学習の基本定理のスケール敏感な一般化である。
また、定量的サンプルの複雑さと評価可能性に関するオープンな質問をいくつか取り上げる。
論文 参考訳（メタデータ） (2026-05-13T15:41:30Z) - Beyond Cosine Similarity: Taming Semantic Drift and Antonym Intrusion in a 15-Million Node Turkish Synonym Graph [0.0]
この問題を解決するために,我々は大規模セマンティッククラスタリングシステムを構築している。
我々は,同義語,無調語,同調語にまたがる843,000のコンセプトペアのラベル付きデータセットを紹介した。
第2に、90%のマクロF1を達成する3方向意味論的判別器を提案する。
第3に,ポリセミーを同時に解きながらセマンティックドリフトを緩和するソフト・ハード・クラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-01-19T17:37:25Z) - Causal Estimation of Tokenisation Bias [58.20086589761273]
我々は、訓練されたモデルが対応する文字に割り当てる確率に対して、トークンの語彙にサブワードを含むか否かを定量化する。
トークン化は、スケール、語彙、トークンサプライヤにわたるモデルのアウトプットに一貫して影響を与えます。
特に、小モデルの語彙におけるサブワードの存在は、文字の確率を最大17倍に向上させる可能性がある。
論文 参考訳（メタデータ） (2025-06-03T17:59:47Z) - Calibrating Verbal Uncertainty as a Linear Feature to Reduce Hallucinations [51.92795774118647]
LLMの表現空間における1つの線形特徴によって「動詞の不確実性」が支配されることがわかった。
これはモデルの実際の意味的不確実性と適度な相関しか持たないことを示す。
論文 参考訳（メタデータ） (2025-03-18T17:51:04Z) - Leading Whitespaces of Language Models' Subword Vocabulary Pose a Confound for Calculating Word Probabilities [15.073507986272027]
我々は、単語の確率を単語の確率に集約する最も一般的な方法によって生じる欠点を論じる。
これは、ほとんどの言語モデルのサブワード語彙のトークンが主要な空白を持つという事実による。
後続する白色空間の確率を現在の単語の確率に再計算する簡単な復号法を提案する。
論文 参考訳（メタデータ） (2024-06-16T08:44:56Z) - Understanding and Mitigating Spurious Correlations in Text
Classification with Neighborhood Analysis [69.07674653828565]
機械学習モデルは、トレーニングセットに存在するが一般的な状況では当てはまらない急激な相関を利用する傾向にある。
本稿では, 周辺分析と呼ばれる新しい視点から, 突発的相関がもたらす意味について考察する。
本稿では,テキスト分類における素早い相関を緩和する正規化手法であるNFL(doN't Forget your Language)を提案する。
論文 参考訳（メタデータ） (2023-05-23T03:55:50Z) - Speakers Fill Lexical Semantic Gaps with Context [65.08205006886591]
我々は単語の語彙的あいまいさを意味のエントロピーとして運用する。
単語のあいまいさの推定値と,WordNetにおける単語の同義語数との間には,有意な相関関係が認められた。
これは、あいまいさの存在下では、話者が文脈をより情報的にすることで補うことを示唆している。
論文 参考訳（メタデータ） (2020-10-05T17:19:10Z)
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。