論文の概要: How Temperature Shapes Ideological Discourse in Retrieval-Augmented Generation?
- arxiv url: http://arxiv.org/abs/2607.11783v1
- Date: Mon, 13 Jul 2026 16:36:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.557881
- Title: How Temperature Shapes Ideological Discourse in Retrieval-Augmented Generation?
- Title（参考訳）: 検索型世代におけるイデオロギー的談話の温度変化
- Abstract要約: Retrieval-Augmented Generation (RAG) は幻覚を減らすためにますます採用されている。
大規模言語モデル(LLM)に対するイデオロギーバイアスの影響は見過ごされている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retrieval-Augmented Generation (RAG) has been increasingly adopted to reduce hallucinations and strengthen the factual grounding of large language models (LLMs). While robustness to errors in the retrieval process has been explored, the impact of ideological bias on LLM outputs has been overlooked. For instance, if the retrieved material contains ideological positions, the RAG may transmit, amplify, or suppress such ideological discourses in its outputs. In this study, we address this issue by examining the influence of the RAG framework, comprising ideological discourses, in LLM-generated answers. To this end, we applied Lexical Multidimensional Analysis (LMDA) on a corpus of 1,117 COVID-19 treatment articles, identifying three ideological discourses. This corpus is then used as the external knowledge source for the RAG. We assessed several LLMs by having the models answer ideological questions at different sampling temperatures. The generated texts were assessed semantically and lexically based on their similarities with ideological reference texts. Our findings show that the RAG framework is prone to transferring ideological discourses into LLM responses, with sampling temperature having a measurable impact on the strength of this transfer. Discoursive alignment between generated answers and the reference text is highest at moderate temperatures, where models balance stochasticity with retrieval grounding, and drops at low temperatures, indicating that overly deterministic sampling suppresses discourse transfer.
- Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、幻覚を減らし、大きな言語モデル(LLM)の現実的な基盤を強化するために、ますます採用されている。
検索プロセスにおける誤りに対するロバスト性は検討されているが, LLM出力に対するイデオロギーバイアスの影響は見過ごされている。
例えば、回収された物質がイデオロギー的位置を含む場合、RAGはその出力におけるそのようなイデオロギー的言説を伝達、増幅、あるいは抑制することができる。
本研究では, LLM 生成回答におけるイデオロギー的談話を含む RAG フレームワークの影響を検討することにより, この問題に対処する。
この目的のために,1,117件のCOVID-19治療項目のコーパスにLexical Multidimensional Analysis (LMDA)を適用し,3つのイデオロギー的言説を同定した。
このコーパスはRAGの外部知識源として使用される。
我々は,異なるサンプリング温度でイデオロギー的な疑問に答えることにより,複数のLCMを評価した。
生成したテキストは、イデオロギー的参照テキストと類似性に基づいて意味的および語彙的に評価された。
以上の結果から,RAGフレームワークはILM応答にイデオロギー的言説を伝達する傾向があり,サンプリング温度が測定可能な影響を有することが明らかとなった。
生成した回答と基準テキスト間の反則アライメントは中程度温度で最高であり、モデルが確率性と検索接地とのバランスを保ち、低温で減少し、過度に決定的なサンプリングが談話伝達を抑制することを示す。
関連論文リスト
- HistoRAG: Embedding Historical Methodology in Retrieval-Augmented Generation Through Critical Technical Practice [0.0]
歴史学の原則をアーキテクチャの介入に翻訳するフレームワークであるHistoeを紹介する。
分離された検索と生成は、解釈からソースの発見を分離し、時間ウィンドウ化はソースのバランスを保った表現を強制する。
SPIEGELaggedによるこれらの介入の評価をDer Spiegel(19501979)102,189項目に適用した。
論文 参考訳（メタデータ） (2026-06-16T16:03:37Z) - Lost in the Evidence? Reproducing Document Position and Context Size Effects in RAG [3.597778914286147]
Retrieval-Augmented Generation (RAG) システムは、取得した文書がモデルの入力コンテキストに入力されることに依存する。
先行研究は、中年期の喪失や関連する長文現象のような位置に基づく効果を報告している。
トピックサンプリングが分散の主要な原因であることを示し、小さなトピックセットはオーダリング効果を誇張することができる。
また,より現実的なRAGシナリオについて検討した。
論文 参考訳（メタデータ） (2026-05-26T14:44:19Z) - The Impact of Ideological Discourses in RAG: A Case Study with COVID-19 Treatments [0.0]
本稿では,検索したイデオロギーテキストが大規模言語モデル(LLM)の出力に及ぼす影響について検討する。
当コーパスは, 議論の的, 支持された治療に関する論議を要約した1,117の学術論文に基づいている。
論文 参考訳（メタデータ） (2026-03-16T05:32:30Z) - Passing the Turing Test in Political Discourse: Fine-Tuning LLMs to Mimic Polarized Social Media Comments [0.0]
本研究では、微調整された大言語モデル(LLM)が、偏光言説を再現し増幅できる範囲について検討する。
Redditから抽出された政治的に課金された議論のキュレートされたデータセットを使用して、オープンソースのLCMを微調整して、コンテキスト認識とイデオロギー的に整合した応答を生成します。
結果は、パルチザンのデータに基づいてトレーニングすると、LLMは高い信頼性と挑発的なコメントを生成でき、しばしば人間によって書かれたものと区別できないことを示唆している。
論文 参考訳（メタデータ） (2025-06-17T15:41:26Z) - Learning Interpretable Representations Leads to Semantically Faithful EEG-to-Text Generation [52.51005875755718]
我々は脳波からテキストへの復号に焦点をあて、後部崩壊のレンズを通して幻覚の問題に対処する。
脳波とテキスト間の情報容量のミスマッチを認め、デコードタスクをコア意味のセマンティックな要約として再設計する。
パブリックなZuCoデータセットの実験では、GLIMが一貫して、流動的なEEG基底文を生成することが示されている。
論文 参考訳（メタデータ） (2025-05-21T05:29:55Z) - Improving Multilingual Retrieval-Augmented Language Models through Dialectic Reasoning Argumentations [65.11348389219887]
そこで,Dialectic-RAG(Dialectic-RAG, DRAG)を提案する。
我々は、文脈内学習戦略と、より小さなモデルをインストラクションするための実演の構築の両方において、我々のフレームワークが与える影響を示す。
論文 参考訳（メタデータ） (2025-04-07T06:55:15Z) - Towards More Robust Retrieval-Augmented Generation: Evaluating RAG Under Adversarial Poisoning Attacks [45.07581174558107]
Retrieval-Augmented Generation (RAG) システムは幻覚を緩和するための有望な解決策として登場した。
RAGシステムは、検索コーパスに注入された悪意のある通路が、モデルに誤った結果をもたらす可能性がある、敵の毒殺攻撃に対して脆弱である。
本稿では、RAGシステムがこのような攻撃下でどのように振る舞うか、その堅牢性がどのように改善されるかについて、厳密に制御された実証研究を示す。
論文 参考訳（メタデータ） (2024-12-21T17:31:52Z) - 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) - Sentiment Analysis through LLM Negotiations [58.67939611291001]
感情分析の標準的なパラダイムは、単一のLCMに依存して、その決定を1ラウンドで行うことである。
本稿では,感情分析のためのマルチLLMネゴシエーションフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-03T12:35:29Z) - Self-RAG: Learning to Retrieve, Generate, and Critique through
Self-Reflection [74.51523859064802]
我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。
自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。
様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2023-10-17T18:18:32Z) - Benchmarking Large Language Models in Retrieval-Augmented Generation [53.504471079548]
大規模言語モデルに対する検索拡張生成の影響を系統的に検討する。
我々は、RAGに必要な4つの基本能力で、異なる大規模言語モデルの性能を解析する。
RGB(Retrieval-Augmented Generation Benchmark)は、英語と中国語の両方でRAG評価を行うための新しいコーパスである。
論文 参考訳（メタデータ） (2023-09-04T08:28:44Z)
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。