論文の概要: Contextualized Early Detection of Online Firestorms: A Sequential LLM-Based Approach

• arxiv url: http://arxiv.org/abs/2607.14957v1
• Date: Thu, 16 Jul 2026 13:05:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.117554
• Title: Contextualized Early Detection of Online Firestorms: A Sequential LLM-Based Approach
• Title（参考訳）: オンライン火災の文脈的早期検出 : 逐次LCMに基づくアプローチ
• Authors: Besim Shala, Peter Mandl, Andreas Humpe, Martin Häusl,
• Abstract要約: 本稿では,2つの動作モードを持つLLMに基づく検出システムを提案する。 最初のモードでは、局所的なチャンクレベルの評価をスレッドレベルの判断に組み合わせることで、完全なRedditスレッドを振り返りに分類する。 第2モードはスレッドを順次処理し、スライディングウィンドウが校正しきい値を超えた場合に早期警告を発行する。 このモードでは、言語モデルは、負のシェア、エスカレーションレベル、コントリビュータカウントの3つのファイアストインジケータを推定する。
• 参考スコア（独自算出の注目度）: 0.059871517630143346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online firestorms are rapid collective escalations of highly negative user-generated content and may cause substantial reputational and economic damage. Existing detectors usually work with volume signals, sentiment scores, or predefined linguistic features. Such signals are useful, but they capture contextual meaning shifts in evolving discussion threads only indirectly. This paper proposes an LLM-based detection system with two operating modes. The first mode classifies complete Reddit threads retrospectively by combining local chunk-level assessments into a thread-level judgment. The second mode processes threads sequentially and issues early warnings when a sliding window exceeds calibrated thresholds. In this mode, the language model estimates three firestorm indicators: negativity share, escalation level, and contributor count. On a balanced Reddit dataset, the global mode achieves strong classification performance, while the early warning mode reaches high recall and detects escalating threads after only a small number of comments and distinct contributors. The results indicate that LLMs can be used not only for static judgment tasks, but also as repeated estimators in context-aware monitoring of social media discourse.
• Abstract（参考訳）: オンライン・ファイアストームは、非常にネガティブなユーザー生成コンテンツの急激な集合的エスカレーションであり、評判と経済に重大なダメージを与える可能性がある。 既存の検出器は通常、音量信号、感情スコア、または事前に定義された言語的特徴で機能する。 このような信号は有用であるが、議論スレッドの進化における文脈的意味の変化を間接的にのみキャプチャする。 本稿では,2つの動作モードを持つLLMに基づく検出システムを提案する。 最初のモードでは、局所的なチャンクレベルの評価をスレッドレベルの判断に組み合わせることで、完全なRedditスレッドを振り返りに分類する。 第2モードはスレッドを順次処理し、スライディングウィンドウが校正しきい値を超えた場合に早期警告を発行する。 このモードでは、言語モデルは、負のシェア、エスカレーションレベル、コントリビュータカウントの3つのファイアストインジケータを推定する。 バランスのとれたRedditデータセットでは、グローバルモードは強力な分類性能を達成し、早期警告モードは高いリコールに達し、少数のコメントと異なるコントリビュータの後にスレッドのエスカレーションを検出する。 以上の結果から,LLMは静的判断タスクだけでなく,ソーシャルメディアの会話の文脈対応監視における繰り返し推定にも有効であることが示唆された。

関連論文リスト

• Large Language Models Explore by Latent Distilling [17.44180253276711]
  ESampは、世代間の意味的多様性を明確に促進するデコードアプローチである。 ESampは数学、科学、コード生成ベンチマークで堅牢な一般化を実現している。
  論文  参考訳（メタデータ） (2026-04-27T19:08:13Z)
• From Early Encoding to Late Suppression: Interpreting LLMs on Character Counting Tasks [49.57538588967748]
  LLM(Large Language Model)は、複雑なベンチマークでは優れているにもかかわらず、単語中の文字数などの基本的な記号的タスクにおいて失敗を示す。 我々は、LLaMA、Qwen、Gemmaなど、現代のアーキテクチャにまたがる一貫した現象を発見した。 LLMにおけるシンボリック推論失敗は,表現不足やスケール不足によるものではなく,モデル計算グラフ内の構造的干渉によるものであることを示す。
  論文  参考訳（メタデータ） (2026-04-01T11:40:12Z)
• Membership Inference Attacks against Large Audio Language Models [50.84901010528239]
  大規模音声言語モデル(LALM)のMIA評価について述べる。 テキスト,スペクトル,韻律的特徴に基づくマルチモーダルブラインドベースラインを用いて,一般的な音声データセットがほぼ完璧な列車/テスト分離性を示すことを示す。 以上の結果から, LALM検査の基準基準が確立された。
  論文  参考訳（メタデータ） (2026-03-30T12:45:28Z)
• Bayesian Evaluation of Large Language Model Behavior [11.847752638476257]
  大規模言語モデルに基づくテキスト生成システムがどのように振る舞うかを評価することがますます重要である。 既存の評価手法は、しばしば統計的不確実性定量化を無視する。 本稿では,2値評価指標における不確かさの定量化にベイズ的手法を適用した2つのケーススタディを提案する。
  論文  参考訳（メタデータ） (2025-11-04T19:51:46Z)
• Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
  本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。 次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。 ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
  論文  参考訳（メタデータ） (2025-09-29T12:15:52Z)
• Rethinking Human-Object Interaction Evaluation for both Vision-Language Models and HOI-Specific Methods [33.074167753966314]
  本稿では,HOI検出を複数問合せタスクとして再構成するベンチマークデータセットを提案する。 以上の結果から,多くの指標において,大規模VLMが最先端のHOI固有の手法をすでに超越していることが示唆された。
  論文  参考訳（メタデータ） (2025-08-26T07:30:53Z)
• Revisiting Backdoor Attacks on LLMs: A Stealthy and Practical Poisoning Framework via Harmless Inputs [54.90315421117162]
  完全無害データを用いた新しい毒殺法を提案する。 自己回帰型LPMの因果推論に着想を得て,トリガーと肯定的応答プレフィックスの堅牢な関連性を確立することを目指す。 LLMは最初は同意するように見えるが,その後回答を拒む興味深い抵抗現象を観察する。
  論文  参考訳（メタデータ） (2025-05-23T08:13:59Z)
• LLM Detectors Still Fall Short of Real World: Case of LLM-Generated Short News-Like Posts [7.680851067579922]
  本稿では、中程度に洗練された攻撃者によって生成される短いニュースのような投稿という、情報操作における重要な設定に焦点を当てる。 既存のLCM検出器は、ゼロショットでも目的訓練でも、その環境での実際の使用準備が整っていないことを実証する。 LLMをまたいで汎用化された目的学習型検出器を開発し、見知らぬ攻撃を行うことができるが、新しい人文テキストへの一般化には失敗する。
  論文  参考訳（メタデータ） (2024-09-05T06:55:13Z)
• Token-Level Adversarial Prompt Detection Based on Perplexity Measures and Contextual Information [67.78183175605761]
  大規模言語モデルは、敵の迅速な攻撃に影響を受けやすい。 この脆弱性は、LLMの堅牢性と信頼性に関する重要な懸念を浮き彫りにしている。 トークンレベルで敵のプロンプトを検出するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-20T03:17:21Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)

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。