論文の概要: Your LLM, Your Style: Behavioral Mode Axes for LLM Behavioral Control
- arxiv url: http://arxiv.org/abs/2608.10703v1
- Date: Tue, 11 Aug 2026 09:25:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.990645
- Title: Your LLM, Your Style: Behavioral Mode Axes for LLM Behavioral Control
- Title（参考訳）: LLM, あなたのスタイル: LLMの行動制御のための行動モード軸
- Abstract要約: 大きな言語モデル(LLM)は、ユーザエクスペリエンス、安全性、下流の意思決定に影響を及ぼす振る舞いスタイルの対話的な設定でますます機能します。
既存のLCMパーソナリティ研究は、一人称環境で実施されている自己申告アンケートに大きく依存している。
本稿では,LLMの行動特性を研究・制御するための行動データフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 15.236237731175192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) increasingly act in interactive settings where their behavioral styles affect user experience, safety, and downstream decision making. Existing LLM personality studies largely rely on self-report questionnaires administered in first-person settings, making the resulting profiles sensitive to surface elicitation choices and poorly grounded in concrete model behavior. In this work, we introduce a situated behavioral-data (B-data) framework for studying and controlling LLM behavioral personality. We construct 3,200 contrastive behavioral scenarios spanning 20 behavioral patterns and four prompt registers, grounded in validated psychometric facets such as BFI-2, DOSPERT, and HEXACO. Using this framework, we find that LLMs exhibit stable and model-specific behavioral profiles, while also revealing register-dependent shifts across first-person decisions, advice-giving, and task execution. We then show that these behavioral patterns can be controlled through Behavioral Mode Axes (BMAs), activation-space directions derived from contrastive behavioral traces. Compared with response-derived BMAs, which are more prone to trait drift, thought-derived BMAs more faithfully capture the intended behavioral mechanism and provide cleaner control over situated behavioral styles. Our results suggest that LLM personality-like tendencies are better understood not as abstract self-report traits, but as measurable and controllable behavioral modes grounded in concrete interaction contexts. Our code and data are available at https://github.com/lhz191/LLM-Behavioral-Personality.
- Abstract（参考訳）: 大きな言語モデル(LLM)は、ユーザエクスペリエンス、安全性、下流の意思決定に影響を及ぼす振る舞いスタイルの対話的な設定でますます機能します。
既存のLCMパーソナリティ研究は、第一人者設定で実施された自己申告アンケートに大きく依存しており、その結果のプロファイルは表面の誘引選択に敏感であり、具体的なモデル行動には不十分である。
本研究では,LLMの行動特性を研究・制御するための位置行動データ(B-data)フレームワークを提案する。
我々は,BFI-2,DOSPERT,HEXACOなどの心理測定結果に基づいて,20の行動パターンと4つのプロンプトレジスタにまたがる3,200の対照的な行動シナリオを構築した。
このフレームワークを用いて、LCMは安定した行動プロファイルとモデル固有の行動プロファイルを示し、また、一人称決定、アドバイス・グルーピング、タスク実行のレジスタ依存的なシフトを明らかにした。
次に、これらの行動パターンは、対照的な行動トレースから導かれる行動モードAxes(BMA)を介して制御可能であることを示す。
反応由来のBMAは特性漂流の傾向が強いのに対し、思考由来のBMAは意図した行動機構をより忠実に捉え、位置する行動様式をよりクリーンに制御する。
以上の結果から, LLMの人格的傾向は, 抽象的な自己申告特性ではなく, 具体的な相互作用の文脈に根ざした計測可能かつ制御可能な行動様式として理解されていることが示唆された。
私たちのコードとデータはhttps://github.com/lhz191/LLM-Behavioral-Personality.comで公開されています。
関連論文リスト
- From Representations to Behaviors: Exploring the Person-Situation-Behavior Triad in LLMs [8.188989044347595]
LLMにおけるパーソナリティ関連行動の既存の研究は、主にパーソナリティ条件下でのアウトプットに焦点を当てている。
LLMにおける特性様表現の発見,制御,検証のためのフレームワークを提案する。
本研究は, LLMが内部状態, 状況表現, 行動結果とをリンクする制御可能な特性様表現を含んでいることを示す。
論文 参考訳（メタデータ） (2026-07-29T12:36:47Z) - Rethinking Psychometric Evaluation of LLMs: When and Why Self-Reports Predict Behavior [58.538864650160406]
4つの行動タスクと11のフロンティアLSMで実験を行いました。
SR-ビヘイビアコヒーレンスは存在するが選択的である。
これらの結果は、粗いパーソナリティフレームワークがデプロイメントの振る舞いをテストする最良のツールではないことを示唆している。
論文 参考訳（メタデータ） (2026-06-10T22:28:53Z) - LLMs Reading the Rhythms of Daily Life: Aligned Understanding for Behavior Prediction and Generation [53.62804271492357]
大きな言語モデル(LLM)は、その意味的豊かさ、強い解釈可能性、生成能力により、有望な方向性を提供する。
本稿では,LLMを構造化カリキュラム学習プロセスを通じて人間行動モデリングに統合する,行動理解アライメント(BUA)を提案する。
BUAは、事前訓練された行動モデルからのシーケンス埋め込みをアライメントアンカーとして採用し、3段階のカリキュラムを通じてLLMをガイドし、マルチラウンドの対話設定では予測と生成機能を導入している。
論文 参考訳（メタデータ） (2026-04-26T07:34:37Z) - Linear Personality Probing and Steering in LLMs: A Big Five Study [0.7933052462113936]
本研究では,ビッグファイブの性格特性に整合した線形方向が,モデル行動の探索と操舵に有効かどうかを検討する。
その結果,特徴スコアに整合した直線方向は人格検出に有効なプローブであることが示唆された。
論文 参考訳（メタデータ） (2025-12-19T14:41:09Z) - Mitigating the Threshold Priming Effect in Large Language Model-Based Relevance Judgments via Personality Infusing [25.77984485421331]
LLMにおけるビッグファイブ・パーソナリティプロファイルが関連ラベルのプライミングにどのように影響するかを検討する。
以上の結果から,ハイオープンネスや低ニューロティシズムなどのプロファイルはプライミング感受性を一貫して低下させることが明らかとなった。
霊長類を緩和する最も効果的な性格は、モデルやタスクタイプによって異なる可能性がある。
論文 参考訳（メタデータ） (2025-11-29T08:37:51Z) - The Personality Illusion: Revealing Dissociation Between Self-Reports & Behavior in LLMs [60.15472325639723]
人格特性は、人間の行動の予測因子として長い間研究されてきた。
近年のLarge Language Models (LLM) は, 人工システムに類似したパターンが出現する可能性を示唆している。
論文 参考訳（メタデータ） (2025-09-03T21:27:10Z) - Model Editing as a Double-Edged Sword: Steering Agent Ethical Behavior Toward Beneficence or Harm [57.00627691433355]
我々は、モデル編集タスクとしてエージェントの行動ステアリングをフレーム化し、振舞い編集という。
心理学的道徳理論に基づくベンチマークであるBehaviorBenchを紹介する。
行動編集は倫理的・好意的な行動を促進するためにも、逆に有害な行動や悪意のある行動を引き起こすためにも利用できることを実証する。
論文 参考訳（メタデータ） (2025-06-25T16:51:51Z) - LLMvsSmall Model? Large Language Model Based Text Augmentation Enhanced
Personality Detection Model [58.887561071010985]
パーソナリティ検出は、ソーシャルメディア投稿に根ざした性格特性を検出することを目的としている。
既存のほとんどのメソッドは、事前訓練された言語モデルを微調整することで、ポスト機能を直接学習する。
本稿では,大規模言語モデル (LLM) に基づくテキスト拡張強化人格検出モデルを提案する。
論文 参考訳（メタデータ） (2024-03-12T12:10:18Z) - UPLex: Fine-Grained Personality Control in Large Language Models via Unsupervised Lexical Modulation [52.043831554626685]
パーソナリティは人間のコミュニケーションパターンを形作る重要な要素であり、それによって大きな言語モデル(LLM)のパーソナリティを調節する。
LLMの性格特性を操作するために,Unsupervisedly-Built Personalal lexicon (UPL) を用いた UPLex を提案する。
UPLexは、教師なしの方法で新たに構築された状況判断テストデータセットから構築することができ、LLMの性格表現を変調するために使用される。
論文 参考訳（メタデータ） (2023-10-25T12:16:33Z) - Intuitive or Dependent? Investigating LLMs' Behavior Style to
Conflicting Prompts [9.399159332152013]
本研究では,Large Language Models (LLM) の動作を,内部記憶と競合するプロンプトに直面する場合の挙動について検討する。
これにより、LLMの意思決定機構を理解し、検索強化生成(RAG)のような現実世界のアプリケーションにも役立つ。
論文 参考訳（メタデータ） (2023-09-29T17:26:03Z)
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。