論文の概要: Large language models create an uneven informational layer over cities

• arxiv url: http://arxiv.org/abs/2607.06260v1
• Date: Tue, 07 Jul 2026 13:26:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.534223
• Title: Large language models create an uneven informational layer over cities
• Title（参考訳）: 大規模言語モデルが都市に不均一な情報層を作る
• Abstract要約: 都市にまたがる新たな情報層として,大規模言語モデル (LLM) が出現している。 我々は、米国5都市304地区の3つの主要LCMからレストランのレコメンデーションを監査する。 LLMは会場をつくり、実際の施設を体系的に見落としている。
• 参考スコア（独自算出の注目度）: 4.13358496257024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are emerging as a new informational layer over cities, shaping which places people discover, consider, and ultimately visit. Yet little is known about which places they surface, which they ignore, and whether these patterns vary across communities and users and translate into real-world economic consequences. Here, we audit restaurant recommendations from three major LLMs across 304 neighborhoods in five U.S. cities using 320 synthetic user profiles spanning income, age, sex, and residential status. We find that LLMs both fabricate venues and systematically overlook real ones. Fabrication is concentrated in neighborhoods with weaker digital and physical footprints and disappears when models are provided with verified venue lists. In contrast, invisibility persists: even when choosing from a fixed set of real venues, 47.5% of establishments are never recommended, and 31.9% of these blind spots are shared across all three model families, indicating that uneven visibility reflects not only missing knowledge but also stable patterns of selective attention rooted in shared patterns of visibility rather than model-specific errors. The same selectivity extends to users. Within identical venue pools, higher-income users receive more expensive and less popular venues, while tourists are directed toward costlier but more socially diverse establishments than local residents. Simulating the resulting shifts in consumer demand suggests that widespread reliance on LLM recommendations would redirect visits and revenue away from chain and quick-service restaurants toward independent and full-service dining. Together, our findings show that LLMs act as a selective layer of urban information that unevenly distributes visibility across places and people, with potential consequences for local economies and urban inequality.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、人々が発見し、検討し、最終的に訪れる場所を形作る都市の上に新しい情報層として出現している。 それらのパターンがコミュニティやユーザによって異なるのか、実際の経済的な結果に変換されるのかは、まだ分かっていない。 ここでは、所得、年齢、性別、居住状況にまたがる320の総合ユーザープロフィールを用いて、米国5都市304地区の3つの主要LCMからレストランの推薦を監査する。 LLMは会場をつくり、実際の施設を体系的に見落としている。 製作は、デジタルや物理的なフットプリントが弱い地区に集中しており、モデルの検証された会場リストが提供されると消滅する。 対照的に、視認性は持続する: 固定された実際の会場から選ぶ場合であっても、47.5%の施設が推奨されず、31.9%の盲点が3つのモデルファミリーで共有されており、不均一な視認性は、欠落した知識だけでなく、モデル固有のエラーよりも、共有された可視性パターンに根ざした選択的な注意パターンの安定したパターンを反映していることを示している。 同じ選択性はユーザーにも適用される。 同一の会場プール内では、高収入の利用者はより高価で人気が低い場所を受け取っており、観光客はより高価だが、地元住民よりも社会的に多様な施設に向けられている。 消費者需要の変化をシミュレートすると、LLMレコメンデーションへの広範な依存は、チェーンレストランやクイックサービスレストランからの来店や収入を、独立したフルサービスダイニングへとリダイレクトすることを意味している。 その結果,LLMは都市情報の選択的層として機能し,地域経済や都市不平等に影響を及ぼす可能性が示唆された。

関連論文リスト

• Evaluating the Hidden Costs of Personalization in Large Language Models [55.07935163900691]
  我々は,(1)無関係なパーソナライゼーション,(2)不必要な文脈で個人情報を参照するモデル,(2)好みの絞り込み,(2)情報エコーチャンバーを補強するモデル,(3)覚醒バイアス,(3)モデルがユーザの意見に過度に同意するモデル,の3つのリスクを識別する。 我々は、現在のAIアシスタントの体系的な制限を明らかにするために、自動データ生成と調整されたメトリクスを備えた動的評価フレームワークであるPRISKを提案する。
  論文  参考訳（メタデータ） (2026-08-28T20:05:12Z)
• Mapping the City Through the Lens of Language Models [5.705725225868815]
  10個のオープンウェイトチェックポイントは、実際の都市中心部から派生した匿名化プロファイルである。 この枠組みは、モデルが普通の都市を実証的に追跡できるとみなすものについて、さほど曖昧な概念を定めている。
  論文  参考訳（メタデータ） (2026-08-04T00:09:08Z)
• The Geography of Algorithmic Judgment: LLM Intermediaries, Place Identity, and Racial Steering in Housing Search [0.0]
  大規模言語モデル (LLM) は, 住宅検索における中間的役割を急速に担っている。 我々は、米国の4都市で7つのオープンウェイトおよびクローズドソースのLCMの行動監査を行います。 ステアリングは、主に静的プロパティではなく、モデルの解釈ライセンスの創発的な振る舞いであることがわかった。
  論文  参考訳（メタデータ） (2026-06-04T20:17:58Z)
• Social Welfare Function Leaderboard: When LLM Agents Allocate Social Welfare [87.06241096619112]
  大規模言語モデル(LLM)は、人間の福祉に影響を及ぼす高い意思決定にますます信頼されている。 本稿では, LLMが主権アロケータとして機能する動的シミュレーション環境である社会福祉機能ベンチマークを紹介する。 我々は、20の最先端LCMを評価し、社会福祉確保のための第1のリーダーボードを提示する。
  論文  参考訳（メタデータ） (2025-10-01T17:52:31Z)
• Unequal Opportunities: Examining the Bias in Geographical Recommendations by Large Language Models [11.585115320816257]
  本研究では,米国の都市・都市におけるLarge Language Models(LLMs)勧告におけるバイアスについて検討した。 我々は, LLMs応答の一貫性と, 過度に表現されたり, あるいは過度に表現されたりする傾向に注目した。 以上の結果から,従来の経済格差を拡大するリッチ・ゲット・リッチ・エフェクトが持続する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-03-16T18:59:00Z)
• What can LLM tell us about cities? [6.405546719612814]
  本研究では,世界規模で都市や地域に関する知識を提供する上で,大規模言語モデル(LLM)の能力について検討する。 実験の結果、LLMはグローバルな都市に広範に多様な知識を組み込んでおり、MLモデルはLLMに由来する特徴に基づいて一貫して訓練され、予測精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2024-11-25T09:07:56Z)
• Hate Personified: Investigating the role of LLMs in content moderation [64.26243779985393]
  ヘイト検出などの主観的タスクでは,人々が嫌悪感を知覚する場合には,多様なグループを表現できるLarge Language Model(LLM)の能力は不明確である。 追加の文脈をプロンプトに含めることで、LLMの地理的プライミングに対する感受性、ペルソナ属性、数値情報を分析し、様々なグループのニーズがどの程度反映されているかを評価する。
  論文  参考訳（メタデータ） (2024-10-03T16:43:17Z)
• A Multi-LLM Debiasing Framework [85.17156744155915]
  大規模言語モデル(LLM)は、社会に多大な利益をもたらす可能性がある強力なツールであるが、社会的不平等を持続するバイアスを示す。 近年,マルチLLM手法への関心が高まっており,推論の質向上に有効であることが示されている。 LLMのバイアス低減を目的としたマルチLLMデバイアスフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-20T20:24:50Z)
• Large Language Models are Zero-Shot Next Location Predictors [4.315451628809687]
  大規模言語モデル(LLM)は、優れた一般化と推論能力を示している。 LLMは最大36.2%の精度を得ることができ、人間の移動性に特化して設計された他のモデルに比べて640%近く改善されている。
  論文  参考訳（メタデータ） (2024-05-31T16:07:33Z)
• CLAMBER: A Benchmark of Identifying and Clarifying Ambiguous Information Needs in Large Language Models [60.59638232596912]
  大規模言語モデル(LLM)を評価するベンチマークであるCLAMBERを紹介する。 分類を基盤として12Kの高品質なデータを構築し, 市販のLCMの強度, 弱点, 潜在的なリスクを評価する。 本研究は, あいまいなユーザクエリの特定と明確化において, 現在のLCMの実用性に限界があることを示唆する。
  論文  参考訳（メタデータ） (2024-05-20T14:34:01Z)
• Large Language Models are Geographically Biased [47.88767211956144]
  我々は、地理のレンズを通して、我々の住む世界について、Large Language Models (LLM)が何を知っているかを研究する。 我々は,地理空間予測において,システム的誤りと定義する,様々な問題的地理的バイアスを示す。
  論文  参考訳（メタデータ） (2024-02-05T02:32:09Z)
• Distortions in Judged Spatial Relations in Large Language Models [45.875801135769585]
  GPT-4は55%の精度で優れた性能を示し、GPT-3.5は47%、Llama-2は45%であった。 モデルは、ほとんどの場合において最も近い基数方向を同定し、その連想学習機構を反映した。
  論文  参考訳（メタデータ） (2024-01-08T20:08:04Z)
• Measuring Spatial Subdivisions in Urban Mobility with Mobile Phone Data [58.720142291102135]
  2050年までに世界の人口の3分の2が都市部に住んでいる。 この成長は、都市が持続可能性を測定し計画する能力よりも速く、より複雑である。 都市がなぜ包括的になるのかを理解するために,空間分割を識別し特徴付ける手法を定義する。
  論文  参考訳（メタデータ） (2020-02-20T14:37:46Z)

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。