論文の概要: Can Induced Emotion Bias LLM Behaviors in Sequential Decision Making?

• arxiv url: http://arxiv.org/abs/2607.12631v1
• Date: Tue, 14 Jul 2026 11:09:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.123283
• Title: Can Induced Emotion Bias LLM Behaviors in Sequential Decision Making?
• Title（参考訳）: 逐次的意思決定における感情バイアスLDMの挙動
• Abstract要約: 大規模言語モデル(LLM)は、高い領域における自律的なエージェントとして、ますます多くデプロイされている。 アイオワ・ギャンブリング・タスクを用いて,誘因的感情が意思決定に影響を及ぼすかどうかを検討する。 人間の感情とは違って、LLMエージェントの意思決定ダイナミクスは平均的に有意な偏見を示さないことが判明した。
• 参考スコア（独自算出の注目度）: 64.5408523407693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As Large Language Models (LLMs) are increasingly deployed as autonomous agents in high-stakes domains, understanding contextual factors that may modulate their decision-making becomes critical. While LLMs are trained to perceive and resonate with users' emotions, it remains unclear whether induced emotion can influence their sequential decision-making. We investigate this question using the Iowa Gambling Task (IGT), a classic psychological paradigm for studying decision-making under uncertainty, combined with an imagination-based emotion induction procedure. We first validate the feasibility of this paradigm by confirming that LLMs can sense strong, distinguishable emotions from context and that LLM agents can learn from sequential interactions in a human-like pace. With the validated setup, we find that, different from humans, induced emotion does not significantly bias the decision dynamics of LLM agents on average. However, the effects of anger are conditioned: inducing anger makes LLM agents less sensitive to penalties for bad decisions, and in early stages of the game, anger can lower exploration, locking decisions into a few choices early. These findings reveal the subtle yet distinct effects of induced emotion on LLM decision-making compared to human behavior, and provide a tool for future research on affective modulation of LLM agents.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ハイテイクドメインにおける自律的なエージェントとしてますます多くデプロイされているため、意思決定を修飾するコンテキスト要因を理解することが重要になる。 LLMは、ユーザの感情を知覚し、共鳴するように訓練されているが、誘導された感情が彼らのシーケンシャルな意思決定に影響を及ぼすかどうかは不明だ。 本稿では,不確実性の下で意思決定を行うための古典的心理学的パラダイムであるアイオワ・ギャンブリング・タスク(IGT)と,想像力に基づく感情誘導手法を併用して,この問題を考察する。 我々はまず,LLMがコンテキストから強い,識別可能な感情を知覚し,LLMエージェントが人間のようなペースで逐次的相互作用から学習できることを確認することによって,このパラダイムの実現可能性を検証する。 検証された設定では、人間と異なり、誘導された感情は平均してLLMエージェントの意思決定ダイナミクスに有意な偏りを示さないことがわかった。 怒りを引き起こすことで、LLMエージェントは悪い決定に対して罰則に敏感になりにくくなり、ゲームの初期段階では、怒りは探索を減らし、決定を早期にいくつかの選択肢に閉じ込める。 これらの結果から, LLMの行動決定に対する感情の微妙な影響は明らかであり, LLM薬の情動調節に関する今後の研究のためのツールも提供される。

関連論文リスト

• Do Emotions in Prompts Matter? Effects of Emotional Framing on Large Language Models [5.079126066502806]
  感情のトーンは人間のコミュニケーションにおいて広まっていますが、大きな言語モデル(LLM)の振る舞いへの影響はいまだ不明です。 本稿では,ユーザ側クエリにおける1対1の感情的フレーミングが,6つのベンチマークドメイン間でのLLM性能に与える影響について検討する。 本稿では,各問合せに対して感情的フレーミングを適応的に選択する適応的感情的促進フレームワークであるEmotionRLを紹介する。
  論文  参考訳（メタデータ） (2026-04-02T16:31:08Z)
• How Emotion Shapes the Behavior of LLMs and Agents: A Mechanistic Study [33.5007842598689]
  感情信号が大規模言語モデル(LLM)とエージェントの動作を形作ることができるかどうかを検討する。 既存の感情認識研究は、主に感情を表面的なスタイルファクターまたは知覚的ターゲットとして扱う。 直接表現レベルの介入を可能にする解釈可能な感情ステアリングフレームワークであるE-STEERを提案する。
  論文  参考訳（メタデータ） (2026-03-09T12:20:02Z)
• Emotion-Coherent Reasoning for Multimodal LLMs via Emotional Rationale Verifier [53.55996102181836]
  本稿では,感情関係検証器 (ERV) と説明リワードを提案する。 本手法は,対象感情と明確に一致した推論をモデルに導出する。 我々のアプローチは、説明と予測の整合性を高めるだけでなく、MLLMが感情的に一貫性があり、信頼できる対話を実現するのにも役立ちます。
  論文  参考訳（メタデータ） (2025-10-27T16:40:17Z)
• AI with Emotions: Exploring Emotional Expressions in Large Language Models [0.0]
  大きな言語モデル(LLM)は、特定の感情状態で質問に答えるエージェントとしてロールプレイを行う。 ラッセルの「サイクムプレックス」モデルは、眠気(覚醒)と快楽(静寂)の軸に沿った感情を特徴づける。 評価の結果, 生成した回答の感情状態は, 仕様と一致していた。
  論文  参考訳（メタデータ） (2025-04-20T18:49:25Z)
• Don't Get Too Excited -- Eliciting Emotions in LLMs [1.8399318639816038]
  本稿では,大規模言語モデル(LLM)における影響制御の課題について考察する。 我々は,その感情表現範囲を評価するために,最先端のオープンウェイトLLMを評価した。 モデルの能力を定量化し、幅広い感情のスペクトルを表現し、相互作用の間どのように変動するかを定量化する。
  論文  参考訳（メタデータ） (2025-03-04T10:06:41Z)
• Do Emotions Really Affect Argument Convincingness? A Dynamic Approach with LLM-based Manipulation Checks [22.464222858889084]
  心理学や社会科学でよく用いられる操作チェックに着想を得た動的枠組みを導入する。 この枠組みは、感情の強さが知覚の説得力にどのような影響を及ぼすかを調べる。 半数以上の症例では、感情の強さの変化にもかかわらず、人間による説得力の判断は変わらないことが判明した。
  論文  参考訳（メタデータ） (2025-02-24T10:04:44Z)
• "I'm Not Sure, But...": Examining the Impact of Large Language Models' Uncertainty Expression on User Reliance and Trust [51.542856739181474]
  不確実性の自然言語表現の違いが、参加者の信頼、信頼、全体的なタスクパフォーマンスにどのように影響するかを示す。 その結果, 一人称表情は, 参加者のシステムに対する信頼度を低下させ, 参加者の正確性を高めつつ, システムの回答に同調する傾向にあることがわかった。 以上の結果から,不確実性の自然言語表現の使用は,LLMの過度な依存を軽減するための効果的なアプローチである可能性が示唆された。
  論文  参考訳（メタデータ） (2024-05-01T16:43:55Z)
• The Strong Pull of Prior Knowledge in Large Language Models and Its Impact on Emotion Recognition [74.04775677110179]
  In-context Learning (ICL) は、Large Language Models (LLM) を用いた自然言語処理のための強力なパラダイムとして登場した。 LLMには、感情認識において強いが矛盾する先行性があり、その予測に影響を及ぼすことが示される。 以上の結果から,ICLをより大きなLCMで事前学習領域外の情動中心タスクに使用する場合,注意が必要であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-25T19:07:32Z)
• Emotionally Numb or Empathetic? Evaluating How LLMs Feel Using EmotionBench [83.41621219298489]
  心理学からの感情評価理論を用いて,Large Language Models (LLMs) の人為的能力を評価する。 我々は、研究の中心となる8つの感情を引き出すのに有効な400以上の状況を含むデータセットを収集した。 我々は世界中の1200人以上の被験者を対象に人間による評価を行った。
  論文  参考訳（メタデータ） (2023-08-07T15:18:30Z)
• Large Language Models Understand and Can be Enhanced by Emotional Stimuli [53.53886609012119]
  我々は、感情的な刺激を理解するために、大規模言語モデルの能力を探究する第一歩を踏み出す。 実験の結果,LLMは感情的知能を把握でき,その性能は感情的刺激によって改善できることがわかった。 EmotionPromptが生成タスクの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-07-14T00:57:12Z)
• Inducing anxiety in large language models can induce bias [47.85323153767388]
  我々は、確立された12の大規模言語モデル(LLM)に焦点を当て、精神医学でよく用いられる質問紙に答える。 以上の結果から,最新のLSMの6つが不安アンケートに強く反応し,人間に匹敵する不安スコアが得られた。 不安誘発は、LSMのスコアが不安アンケートに影響を及ぼすだけでなく、人種差別や老化などの偏見を測る以前に確立されたベンチマークにおいて、それらの行動に影響を及ぼす。
  論文  参考訳（メタデータ） (2023-04-21T16:29:43Z)

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。