論文の概要: Where Models Converge and Humans Diverge: A Coverage Framework for Distributional Pluralism in Open-Ended Generation

• arxiv url: http://arxiv.org/abs/2608.05576v1
• Date: Thu, 06 Aug 2026 03:57:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.818169
• Title: Where Models Converge and Humans Diverge: A Coverage Framework for Distributional Pluralism in Open-Ended Generation
• Title（参考訳）: モデルが収束し人類が分岐する場所:オープンエンディング世代における分散多元主義の包括的枠組み
• Abstract要約: 本稿では,大規模言語モデル(LLM)で記述されたHarry Potterファンフィクションの分布幅を測定する枠組みを提案する。 現在のLSMは、ヒトの反応空間の中心付近に集中する、可塑性だが狭い内容を生成する。 我々のフレームワークは、研究者がLLMによるコンテンツの分布幅をよりよく評価し、その「文化的リーチ」と呼ぶことができる。
• 参考スコア（独自算出の注目度）: 4.9161088124869465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When a large language model (LLM) writes Harry Potter fanfiction, it reliably produces fundamental elements of the Hogwarts universe, such as recognizable places and characters. Human-written Harry Potter fanfictions, however, typically include these fundamentals and much more, incorporating stylistically irregular content and relationship-diverse plotlines. This gap between LLM and human writing has been noted across a variety of domains. LLMs tend to produce "average" writing, while human writing contains more diverse content that covers a broader distribution. Existing work has shown the existence of this distributional "gap", but no work has proposed a systematic way to measure it. Our paper proposes a human-grounded framework that uses the empirical distribution of human writing on a topic to measure the distributional breadth of LLM-generated content on that same topic. We propose two metrics, LLM Coverage (LLM-Cov) and In-Boundary Rate (IBR), that separate the plausibility of LLM content from its distributional breadth. Across ideation and narrative tasks, we find that current LLMs produce plausible but narrow content that concentrates near the center of the human response space. Our framework can enable researchers to better assess the distributional breadth of LLM-authored content, which we term its "cultural reach".
• Abstract（参考訳）: 大きな言語モデル(LLM)がハリー・ポッターのファンフィクションを書くとき、認識可能な場所や文字のようなホグワーツ宇宙の基本要素を確実に生成する。 しかし、人間によって書かれたハリー・ポッターのファンフィクションは、典型的にはこれらの基本とそれよりずっと多くを含み、スタイリスティックに不規則な内容と関係の異なるプロットを取り入れている。 LLMと人間の文章のギャップは、様々な領域で指摘されている。 LLMは「平均的な」文章を生成する傾向があり、一方で人間の文章にはより多様な内容が含まれており、より広範な分布をカバーしている。 現存する研究は、この分布的な「ギャップ」の存在を示しているが、それを測定する体系的な方法を提案する研究は存在しない。 本論文は,LLM生成コンテンツの分布幅を測定するために,そのトピック上での人間の筆記の実証的な分布を利用した人為的な枠組みを提案する。 本稿では, LLM コンテンツの分布幅から可視性を分離する LLM Coverage (LLM-Cov) と In-Boundary Rate (IBR) の2つの指標を提案する。 思考や物語のタスク全体にわたって、現在のLLMは人間の反応空間の中心付近に集中する可塑性だが狭い内容を生み出す。 我々のフレームワークは、研究者がLLMによるコンテンツの分布幅をよりよく評価し、それを「文化的リーチ」と呼ぶことができる。

関連論文リスト

• Value Over Language Model: Detecting Original Contribution in Writing [23.244156664404205]
  我々は、言語モデルが自分自身で容易に生成できるものの上に、人がどれだけの価値を付加するかを測定するフレームワークを設計する。 この方法は、トレーニングやラベル付きデータを必要とせず、文書の表面のテキストをスコアすることはない。 ヒューマンオーサリングされた文書と、ジェネリックタスク記述から生成された一致したLCM生成文書とを分離する。
  論文  参考訳（メタデータ） (2026-09-01T04:21:20Z)
• Measuring the Gap Between Human and LLM Research Ideas [63.27812052187884]
  高品質な人間研究論文の構想評価フレームワークを構築した。 それぞれの論文に対して、我々は、その中核となるアイデアにインスピレーションを与えたであろう、近縁な先行研究の小さなセットをリバースエンジニアリングする。 本稿では、その機会パターンと研究パラダイムにより、それぞれのアイデアをプロファイルするために、2軸のリサーチテイスト分類を導入する。
  論文  参考訳（メタデータ） (2026-07-01T17:59:56Z)
• How Do LLM-Generated Texts Impact Term-Based Retrieval Models? [76.92519309816008]
  本稿では,大規模言語モデル(LLM)が項ベース検索モデルに与える影響について検討する。 言語学的解析により,LLM生成テキストはよりスムーズで低周波なZipf勾配を示すことが明らかとなった。 本研究は,項分布がクエリと密接に一致した文書を優先して,項ベース検索モデルがソースバイアスを示すかどうかを考察する。
  論文  参考訳（メタデータ） (2025-08-25T06:43:27Z)
• Unraveling Interwoven Roles of Large Language Models in Authorship Privacy: Obfuscation, Mimicking, and Verification [12.44258859101255]
  オーサシップの難読化 (AO)、オーサシップの模倣 (AM)、オーサシップの検証 (AV) はオーサシップのプライバシーにおける3つの主要な自動化タスクである。 本研究は, LLM 有効化 AO, AM, AV 間の動的関係を解析するための最初の統一フレームワークを提案する。 また、性別、学歴、パフォーマンス、タスク間ダイナミクス、プライバシーリスクなど、人口統計学的メタデータの役割についても検討する。
  論文  参考訳（メタデータ） (2025-05-20T10:52:12Z)
• Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
  Instruct-LFはゴール指向の潜在因子発見システムである。 命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
  論文  参考訳（メタデータ） (2025-02-21T02:03:08Z)
• When One LLM Drools, Multi-LLM Collaboration Rules [98.71562711695991]
  私たちは、データ、スキル、人々の幅広い多様性を表現するために、マルチLLMコラボレーションを議論しています。 既存のマルチLLM協調手法を,アクセスレベルと情報交換レベルに基づいて階層構造に整理する。 コンポジションインテリジェンスとコラボレーティブAI開発への不可欠な道として,マルチLLMコラボレーションを構想する。
  論文  参考訳（メタデータ） (2025-02-06T21:13:44Z)
• Echoes in AI: Quantifying lack of plot diversity in LLM outputs [14.306039482923472]
  物語生成における2つの最先端の大規模言語モデル (LLM) について検討する。 LLM生成したストーリーは、しばしば数世代にわたって反響するプロット要素で構成されている。 プロット要素の特異性を測定する自動測度であるS Sui Generisスコアを導入する。
  論文  参考訳（メタデータ） (2024-12-31T04:54:48Z)
• CollabStory: Multi-LLM Collaborative Story Generation and Authorship Analysis [5.929552001093879]
  私たちはCollabStoryと呼ばれる、初めてLLM生成のコラボレーティブなストーリーデータセットを生成します。 オープンソース命令チューニング LLM を用いて,32k 以上のストーリーを生成する。 複数LLM設定のためのオーサシップ関連タスクを拡張し,LLM-LLMコラボレーションのためのベースラインを提示する。
  論文  参考訳（メタデータ） (2024-06-18T14:35:12Z)
• Implicit Multimodal Alignment: On the Generalization of Frozen LLMs to Multimodal Inputs [63.29737699997859]
  大規模言語モデル(LLM)は、マルチモーダルな微調整をせずに、マルチモーダルなタスクにおいて印象的なパフォーマンスを示した。 本研究では,画像,ビデオ,音声,テキストの入力に凍結LDMを公開し,内部表現を解析する。
  論文  参考訳（メタデータ） (2024-05-26T21:31:59Z)
• AlignedCoT: Prompting Large Language Models via Native-Speaking Demonstrations [52.43593893122206]
  Alignedcotは、大規模言語モデルを呼び出すためのコンテキスト内学習技術である。 ゼロショットシナリオでは、一貫した正しいステップワイズプロンプトを達成する。 数学的推論とコモンセンス推論の実験を行う。
  論文  参考訳（メタデータ） (2023-11-22T17:24:21Z)

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。