Fugu-MT 論文翻訳(概要): You Frame It: How Conceptual Representations Shape LLM Detection and Reasoning about Antisemitism

論文の概要: You Frame It: How Conceptual Representations Shape LLM Detection and Reasoning about Antisemitism

arxiv url: http://arxiv.org/abs/2607.04945v1
Date: Mon, 06 Jul 2026 11:20:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:30.12524
Title: You Frame It: How Conceptual Representations Shape LLM Detection and Reasoning about Antisemitism
Title（参考訳）: You Frame It: 概念表現のLLM検出と反セミティズムの関連
Abstract要約: 本研究では,異なる概念的接地形態が反セミズムの検出と説明行動にどのように影響するかを検討する。微粒な分類学的表現はリコールを著しく改善し、同時に精度を低下させる。ホロコースト後の反ユダヤ主義は、モデルや構成において最も永続的な課題である。
参考スコア（独自算出の注目度）: 0.17188280334580197
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: LLMs enable the integration of external conceptual resources at inference time, creating new opportunities for detecting ideologically and historically complex phenomena such as antisemitism. We investigate how different forms of conceptual grounding affect antisemitism detection and explanation behavior across four state-of-the-art LLMs. Using two expert-annotated datasets, we compare definitional, fine-grained taxonomic, example-augmented, and large-context representations of antisemitism. We find that fine-grained taxonomic representations substantially improve recall, while simultaneously reducing precision. Surprisingly, supplying substantially larger conceptual resources yields no additional quantitative benefit. Post-Holocaust antisemitism poses the most persistent challenge across models and configurations. Analysis of explanations further reveals systematic limitations including overproduction of conceptual references, reliance on lexical cues, overconfidence, and difficulties with subtle or justificatory forms of antisemitism. Our findings highlight both the potential and the remaining limitations of conceptually grounded LLMs for antisemitism detection and reasoning.
Abstract（参考訳）: LLMは、推論時に外部概念資源の統合を可能にし、反ユダヤ主義のようなイデオロギー的および歴史的に複雑な現象を検出する新たな機会を生み出す。本研究では, 異なる概念的接地形態が4つの最先端LCMの反セミズム検出と説明行動にどのように影響するかを検討する。専門家アノテートされた2つのデータセットを用いて、定義的、きめ細かい分類学、例強化された、および反ユダヤ主義の大規模文脈表現を比較した。微粒な分類学的表現はリコールを著しく改善し、同時に精度を低下させる。驚くべきことに、はるかに大きな概念的資源を供給することで、追加の量的利益が得られない。ホロコースト後の反ユダヤ主義は、モデルや構成において最も永続的な課題である。説明の分析はさらに、概念的参照の過剰生産、語彙的手がかりへの依存、過信、微妙で正当化された反ユダヤ主義の形式による困難を含む体系的な制限を明らかにしている。本研究は, 抗セミズム検出と推論のための概念的根拠を持つLDMの潜在的な限界と, 残余の限界を浮き彫りにした。

関連論文リスト

From "What-If" to "What-Is": Counterfactual Thinking-Inspired Semantic Alignment for Visual Brain Decoding [21.204310001308077]
視覚脳のデコーディングは、fMRIのような神経計測から知覚される視覚内容を再構成する。視覚脳復号のための対実的セマンティックアライメントフレームワークであるConceptAlignを提案する。本稿では,基本的識別性,対実的意味判断,表現幾何学を網羅した3段階意味評価フレームワークを提案する。
論文参考訳（メタデータ） (2026-08-15T10:40:53Z)
Evaluating Large Language Models for Antisemitic Incident Classification [64.21103964951531]
本稿では, 有害事象検出の課題を紹介し, きめ細かいラベルによる反ユダヤ事象の報告の発見と分類を行うAIシステムの能力について検討する。 OpenAIのGPT-4oとMetaのLlama-3.2-3B-Instructing on datasets including antisemitic event descriptions from News article, civil society report, and official records。
論文参考訳（メタデータ） (2026-07-06T10:14:53Z)
Perception Without Engagement: Dissecting the Causal Discovery Deficit in LMMs [68.58207076756237]
本稿では,結果評価からメカニズム診断へ移行する摂動に基づく評価プロトコルProCauEvalを紹介する。因果推論において,ビデオコンテンツは体系的に過小評価されている。教師のネガティブなアライメントに基づく強化学習フレームワークであるADPOを提案する。
論文参考訳（メタデータ） (2026-05-10T08:48:58Z)
Evaluating Large Language Models for Detecting Antisemitism [4.368443030353556]
我々は,8つのオープンソース機械学習モデルのアンチセミティックコンテンツ検出能力を評価した。我々は、新しいCoT-likeプロンプトである Guided-CoT を設計し、ドメイン固有の思考を注入することで、性能と実用性が向上することを示す。
論文参考訳（メタデータ） (2025-09-22T18:23:21Z)
Beyond Prompt-Induced Lies: Investigating LLM Deception on Benign Prompts [79.1081247754018]
大規模言語モデル(LLM)は、推論、計画、意思決定のタスクに広くデプロイされている。そこで我々は, 接触探索質問(CSQ)に基づく枠組みを提案し, 騙しの可能性を定量化する。
論文参考訳（メタデータ） (2025-08-08T14:46:35Z)
Machine Bullshit: Characterizing the Emergent Disregard for Truth in Large Language Models [57.834711966432685]
哲学者ハリー・フランクフルト(Harry Frankfurt)によって概念化されたブルシット(Bullshit)は、その真理の価値を問わない言明を指す。本稿では,大言語モデルの真偽に対する無関心を定量化する新しい指標であるブルシット指数を紹介する。我々は、政治的文脈で一般的な機械いじめを観察し、軽快な言葉が支配的な戦略である。
論文参考訳（メタデータ） (2025-07-10T07:11:57Z)
RealEra: Semantic-level Concept Erasure via Neighbor-Concept Mining [25.769144703607214]
概念消去は、モデルが保護され不適切な概念に関する知識を取り除くために提案されている。この「概念残余」問題に対処するためにRealEraを提案する。また,RealEraは,有効性,特異性,汎用性において,従来の消去方法よりも優れていたことを示す。
論文参考訳（メタデータ） (2024-10-11T17:55:30Z)
A Theory for Token-Level Harmonization in Retrieval-Augmented Generation [76.75124161306795]
Retrieval-augmented Generation (RAG)は、検索したテキストを利用して大規模言語モデル(LLM)を強化する。本稿では,RAGの利益と有害性を説明するための理論を提供する。提案手法は,本理論に基づいて,純粋LLMとRAGの協調生成を実現する実用的手法であるTok-RAGを提案する。
論文参考訳（メタデータ） (2024-06-03T02:56:14Z)
Concept Arithmetics for Circumventing Concept Inhibition in Diffusion Models [58.065255696601604]
拡散モデルの合成特性を使い、単一の画像生成において複数のプロンプトを利用することができる。本論では, 画像生成の可能なすべてのアプローチを, 相手が適用可能な拡散モデルで検討することが重要であると論じる。
論文参考訳（メタデータ） (2024-04-21T16:35:16Z)
Towards Uncovering How Large Language Model Works: An Explainability Perspective [38.07611356855978]
大規模言語モデル(LLM)は言語タスクのブレークスルーをもたらしたが、その顕著な一般化と推論能力を実現する内部メカニズムは不透明のままである。本稿では,LLM機能の基礎となるメカニズムを,説明可能性のレンズを通して明らかにすることを目的とする。
論文参考訳（メタデータ） (2024-02-16T13:46:06Z)
Avalon's Game of Thoughts: Battle Against Deception through Recursive Contemplation [80.126717170151]
本研究では,複雑なアバロンゲームを用いて,認知環境におけるLSMの可能性を探究する。本稿では,LLMの偽情報識別・対策能力を高めるための新しいフレームワークRecursive Contemplation(ReCon)を提案する。
論文参考訳（メタデータ） (2023-10-02T16:27:36Z)
"Subverting the Jewtocracy": Online Antisemitism Detection Using Multimodal Deep Learning [23.048101866010445]
オンラインの反ユダヤ主義の自動マルチモーダル検出の方向の最初の仕事を提示します。 TwitterとGabからの3,102と3,509のソーシャルメディア投稿で2つのデータセットをラベル付けしました。本論文では, ポストからのテキストと画像を用いて, アンチセミズムコンテンツとその特定のアンチセミズムカテゴリの存在を検出するマルチモーダル深層学習システムを提案する。
論文参考訳（メタデータ） (2021-04-13T05:22:55Z)

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。