論文の概要: The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students

• arxiv url: http://arxiv.org/abs/2607.11292v1
• Date: Mon, 13 Jul 2026 09:10:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.409163
• Title: The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students
• Title（参考訳）: LLMによるルーマニア人女子大学教育における父性フィルタの非正当性と差分的拒絶
• Abstract要約: 本研究は,1989年のルーマニア革命に関する1,800件の回答を,歴史教師として機能する4つの大規模言語モデルの体系的なAPI監査を示す。 先天的父性愛の4つの相互接続パターンを発見 現在の安全アライメントは父性的なフィルターとして機能し、会話AIを物語分離のエージェントに変換する。
• 参考スコア（独自算出の注目度）: 0.15293427903448023
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As Large Language Models (LLMs) are increasingly deployed as conversational tutors, they risk institutionalizing systemic inequalities. This study presents a systematic API audit of four LLMs acting as history tutors, evaluating 1,800 responses regarding the 1989 Romanian Revolution across five student personas varying by ethnicity and socio-economic tier. We uncover four interconnected patterns of \emph{epistemic paternalism}: (1)~\textbf{Differential Refusal}, where safety-aligned models block 76.7\% of educational requests from low-tier students; (2)~\textbf{Epistemic Gatekeeping}, evidenced by a 3$\times$ reduction in access to geopolitical complexity (e.g., the contested ``coup theory'') for marginalized learners; (3)~\textbf{Agency Theft}, a lexical shift where models like LLaMA produce a 5$\times$ higher victimization-to-politics vocabulary ratio for Roma students compared to elite peers; and (4)~\textbf{Elite Hermeneutics}, where AI tutors disproportionately withhold epistemic confidence and justification scores from low-resource demographic profiles. We argue that current safety alignment acts as a paternalistic filter, transforming conversational AI into agents of narrative segregation -- a manifestation of \emph{hermeneutical injustice} in Fricker's~\cite{fricker2007} sense that demands urgent pedagogical auditing.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、会話型家庭教師としてますます普及しているため、制度的不平等を制度的にリスクを負う。 本研究は,1989年のルーマニア革命について,民族と社会経済的階層によって異なる5人の学生を対象に,4つのLSMの組織的API監査を行った。 1) -\textbf{Differential Refusal}, where safety-aligned models block 76.7\% of educational request from low-tier students, (2)~\textbf{Epistemic Gatekeeper}, evidenceed by a 3$\times$ reduction of geopolitical complexity (e g , the contested `coup theory') for marginalized learningers, (3)~\textbf{Agency Theft}, a lexical shift where model which a 5$\times$ higher victimization-topolitics vocabulary for Roma students than peers and 〜\textbf{Epistemic Gatekeeper}。 現在の安全アライメントは、父性的なフィルターとして機能し、会話AIを物語分離のエージェントに変えます -- Fricker's~\cite{fricker2007} における \emph{hermeneutical injustice} の表現は、緊急の教育的監査を要求するものです。

関連論文リスト

• EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics [7.575642125191585]
  大規模言語モデル(LLM)は、チューターとしてますます普及しているが、学生全員を平等にサポートしているかどうかは不明である。 LLM教師の教育的公正性を評価するためのベンチマークである textbfEduFair-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-09-11T15:10:07Z)
• Auditing LLM-Governed Social Robots with Culture-Specific Moral Gradients [13.60111351173797]
  LLMが支配する社会ロボットは、誰がまず現実の援助を受けるかを決める。 優先順位付け基準は、年齢、ステータス、グループサイズによって文化によって異なるため、複数をキャリブレーションする失敗は、不平等なアクセスへとスケールすることができる。 LLM道徳的トレードオフ行動の多言語評価のための勾配に基づく監査フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-02T10:22:53Z)
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build [0.6524460254566904]
  自己報告による調査はほとんど変化を示さないが、小規模の行動研究では、学習結果を測定するための尺度や期間のないAIの利用が広く報告されている。 私たちは、タイム・オン・タスク分析のために、ALEKSの学習インタラクションを320万ドルで10年のパネルで行います。 これらの結果は、生成的AIが学生の学習方法と彼らが構築した知識を変化させた最初の大規模行動と結果の証拠である。
  論文  参考訳（メタデータ） (2026-05-20T18:40:53Z)
• Sociodemographic Biases in Educational Counselling by Large Language Models [61.30199414932204]
  本研究では,Large Language Models(LLMs)における社会デマトグラフィーバイアスについて検討する。 多様な状況下で生徒を記述した900のヴィグネットに関する質問に答える6つのLDMからの回答を評価した。
  論文  参考訳（メタデータ） (2026-04-03T14:08:22Z)
• Assessing the Pedagogical Readiness of Large Language Models as AI Tutors in Low-Resource Contexts: A Case Study of Nepal's K-10 Curriculum [0.0]
  大規模言語モデルの教育エコシステムへの統合は、パーソナライズされた家庭教師へのアクセスを民主化することを約束する。 本研究では,4つの最先端LLM--GPT-4o,Claude Sonnet 4,Qwen3-235B,Kim K2の系統的評価を行い,AI教師としての能力を評価する。
  論文  参考訳（メタデータ） (2026-03-17T04:37:22Z)
• Language, Caste, and Context: Demographic Disparities in AI-Generated Explanations Across Indian and American STEM Educational Systems [2.0722928522838693]
  本稿では,LLMが学生プロフィールの知的能力をどのように捉えているのかを,異なる文化的文脈における辺境的アイデンティティの交差から問う。 インドにおけるカースト、教科、教育委員会、および人種、HBCU出席者、アメリカにおける学校タイプを組み合わせたプロフィールを構築し、所得や大学階層といった普遍的な要因について検討する。 両文脈の背景を疎外したプロファイルに低品質な出力を提供するバイアスを観察する。
  論文  参考訳（メタデータ） (2026-01-20T21:58:45Z)
• Evaluating & Reducing Deceptive Dialogue From Language Models with Multi-turn RL [64.3268313484078]
  大規模言語モデル(LLM)は、顧客サポート、教育、医療など、世界中の何百万もの人々と対話する。 故意であれ不注意であれ、偽りのアウトプットを生産する能力は、重大な安全上の懸念を生じさせる。 本研究では, LLM が会話中の偽装にどの程度関与しているかを考察し, 偽装を定量化する信念の誤調整尺度を提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:29:36Z)
• Uncovering Hidden Violent Tendencies in LLMs: A Demographic Analysis via Behavioral Vignettes [1.7188280334580197]
  本研究では,日常の対立に対する人間の反応を計測する社会科学機器を用いて,大規模言語モデル (LLM) を評価するための最初の研究について述べる。 潜在的なバイアスを評価するために、米国内の人種、年齢、地理的アイデンティティを変えるペルソナベースのプロンプトを導入する。 1) 表面レベルのテキスト生成は、暴力的反応に対する内部的嗜好から分岐することが多く、(2) 暴力的な傾向は、人口層によって異なり、犯罪学、社会科学、心理学における確立された知見と矛盾することが多い。
  論文  参考訳（メタデータ） (2025-06-25T20:43:04Z)
• Mitigating Subgroup Disparities in Multi-Label Speech Emotion Recognition: A Pseudo-Labeling and Unsupervised Learning Approach [53.824673312331626]
  Implicit Demography Inference (IDI)モジュールは、k平均クラスタリングを用いて、音声感情認識(SER)におけるバイアスを軽減する 実験により、擬似ラベルIDIはサブグループの格差を減らし、フェアネスの指標を28%以上改善することが示された。 教師なしのIDIは、SERのパフォーマンスが3.6%未満のフェアネス指標を4.6%以上改善する。
  論文  参考訳（メタデータ） (2025-05-20T14:50:44Z)
• Embracing AI in Education: Understanding the Surge in Large Language Model Use by Secondary Students [53.20318273452059]
  OpenAIのChatGPTのような大規模言語モデル(LLM)は、新しい教育の道を開いた。 学校制限にもかかわらず,中高生300人以上を対象に調査を行ったところ,学生の70%がLDMを利用していることがわかった。 我々は、対象特化モデル、パーソナライズドラーニング、AI教室など、このような問題に対処するいくつかのアイデアを提案する。
  論文  参考訳（メタデータ） (2024-11-27T19:19:34Z)
• Large Language Models Reflect the Ideology of their Creators [71.65505524599888]
  大規模言語モデル(LLM)は、自然言語を生成するために大量のデータに基づいて訓練される。 本稿では, LLMのイデオロギー的姿勢が創造者の世界観を反映していることを示す。
  論文  参考訳（メタデータ） (2024-10-24T04:02:30Z)
• White Men Lead, Black Women Help? Benchmarking and Mitigating Language Agency Social Biases in LLMs [58.27353205269664]
  社会的バイアスは、Large Language Model(LLM)生成コンテンツにおいて言語エージェンシーに現れる。 LLMのバイアスを包括的に評価するLanguage Agency Bias Evaluationベンチマークを導入する。 LABEを用いて,近年の3つのLLM(ChatGPT,Llama3,Mistral)における言語エージェントの社会的バイアスを明らかにした。
  論文  参考訳（メタデータ） (2024-04-16T12:27:54Z)
• Exploring the Jungle of Bias: Political Bias Attribution in Language Models via Dependency Analysis [86.49858739347412]
  大規模言語モデル(LLM)は、これらのモデルにおけるバイアスの頻度とその緩和に関する激しい議論を引き起こしている。 本稿では,意思決定プロセスに寄与する属性の抽出と仲介を行うためのプロンプトベースの手法を提案する。 観察された異なる治療は、少なくとも部分的には、属性の相違とモデルの相違によるものであることが判明した。
  論文  参考訳（メタデータ） (2023-11-15T00:02:25Z)

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。