Fugu-MT 論文翻訳(概要): Query Timing Produces Opposite Positional Biases Between LLMs and Humans

論文の概要: Query Timing Produces Opposite Positional Biases Between LLMs and Humans

arxiv url: http://arxiv.org/abs/2608.12387v1
Date: Sat, 01 Aug 2026 03:23:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-17 01:32:04.60165
Title: Query Timing Produces Opposite Positional Biases Between LLMs and Humans
Title（参考訳）: 問合せタイミングがLLMとヒトの対向的位置バイアスを発生させる
Abstract要約: 回帰や優性効果といった位置バイアスは、大きな言語モデル(LLM)で記録されている。最近の研究は、聴取者が証拠の提示中に、あるいは最後にのみ、信念を更新すると、そのような効果の存在に影響を与えることを示唆している。これらのバイアスは、以前のモデルよりも新しいモデルでさらに悪化している。
参考スコア（独自算出の注目度）: 6.357100609164426
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Positional biases such as recency and primacy effects have been documented in large language models (LLMs), yet the underlying mechanism by which these models make their evaluations remains poorly understood. Both primacy and recency biases have been observed in human judgments in response to evidence, but recent work suggest that \emph{when} the listener updates their beliefs -- during the presentation of evidence or only at the end -- influences the presence of such effects. We investigate whether a similar phenomenon holds for LLMs, finding divergence from human behavior. These biases are more exacerbated in newer models compared to their predecessors.
Abstract（参考訳）: 回帰やプライマリー効果といった位置バイアスは、大きな言語モデル(LLM)に記録されているが、これらのモデルが評価を行うメカニズムはいまだに理解されていない。しかし近年の研究では、証拠の提示中、あるいは最後にのみ、聴取者の信念を更新する「emph{when}」が、そのような効果の存在に影響を与えることが示唆されている。同様の現象がLDMに影響を及ぼすかどうかを考察し,人間の行動から分岐を見いだす。これらのバイアスは、以前のモデルよりも新しいモデルでさらに悪化している。

関連論文リスト

When Bias Pretends to Be Truth: How Spurious Correlations Undermine Hallucination Detection in LLMs [15.622799135126455]
大規模言語モデル (LLM) は幻覚を呈し続けており, 妥当で誤った反応を生じている。我々は、急激な相関によって引き起こされた、批判的だが未発見の幻覚のクラスを強調した。信頼に基づくフィルタリングや内部状態探索のような既存の幻覚検出手法は、基本的には素早い相関の存在下で失敗する。
論文参考訳（メタデータ） (2025-11-10T17:19:27Z)
Analysing Moral Bias in Finetuned LLMs through Mechanistic Interpretability [0.7710436567988378]
大型言語モデル(LLM)は、微調整中に人間のようなバイアスを内部化する。意図性における道徳的バイアスであるノベ効果は、微調整されたLLMに現れる。対応する事前訓練されたモデルからのアクティベーションをいくつかの重要なレイヤにパッチすることは、その効果を排除するのに十分です。
論文参考訳（メタデータ） (2025-10-14T07:31:29Z)
Exploring Causal Effect of Social Bias on Faithfulness Hallucinations in Large Language Models [50.18087419133284]
大規模言語モデル(LLM)は様々なタスクで顕著な成功を収めたが、忠実な幻覚に弱いままである。社会的偏見がこれらの幻覚に寄与するかどうかを考察する。重要な課題は、バイアス状態と幻覚の間の因果関係の分離を複雑化する、コンテキスト内の共同創設者を制御することである。
論文参考訳（メタデータ） (2025-08-11T08:34:28Z)
Positional Biases Shift as Inputs Approach Context Window Limits [57.00239097102958]
入力がモデルのコンテキストウィンドウの最大50%を占める場合、LiM効果は最強となる。関係情報が入力の終端に近づくと,モデルの性能が向上する,距離に基づくバイアスが観測される。
論文参考訳（メタデータ） (2025-08-10T20:40:24Z)
Planted in Pretraining, Swayed by Finetuning: A Case Study on the Origins of Cognitive Biases in LLMs [51.00909549291524]
大型言語モデル(LLM)は認知バイアスを示す。これらのバイアスはモデルによって異なり、命令チューニングによって増幅することができる。これらのバイアスの違いが事前学習、微調整、あるいはランダムノイズに起因するかどうかは不明だ。
論文参考訳（メタデータ） (2025-07-09T18:01:14Z)
Investigating VLM Hallucination from a Cognitive Psychology Perspective: A First Step Toward Interpretation with Intriguing Observations [60.63340688538124]
幻覚は、視覚言語モデル(VLM)で積極的に研究されている長年の問題である。既存の研究は、幻覚は技術的な制限や梅毒のバイアスによるもので、後者はモデルがユーザの期待に沿う誤った回答を生み出す傾向があることを意味している。本研究では, VLMの認知バイアスを分類し, サイコフィナンシー, 論理的不整合, 新たに同定された VLM の行動, 権威へのアピールなど, 幻覚へと導く。
論文参考訳（メタデータ） (2025-07-03T19:03:16Z)
A Closer Look at Bias and Chain-of-Thought Faithfulness of Large (Vision) Language Models [58.32070787537946]
思考の連鎖(CoT)推論は、大きな言語モデルの性能を高める。大規模視覚言語モデルにおけるCoT忠実度に関する最初の総合的研究について述べる。
論文参考訳（メタデータ） (2025-05-29T18:55:05Z)
LLM Agents Display Human Biases but Exhibit Distinct Learning Patterns [0.0]
経験的タスクから判断する文脈におけるLarge Language Models (LLMs)の選択パターンについて検討する。その結果,LLMは人間に類似した行動バイアスを呈することがわかった。しかし、選択パターンをより微妙に分析すると、これは非常に異なる理由で起こることが分かる。
論文参考訳（メタデータ） (2025-03-13T10:47:03Z)
Do Large Language Models Show Biases in Causal Learning? [3.0264418764647605]
因果学習は、利用可能な情報に基づいて因果推論を行う能力を開発するための認知過程である。本研究では,大言語モデル(LLM)が因果錯覚を発生させるかどうかを考察する。
論文参考訳（メタデータ） (2024-12-13T19:03:48Z)
How far can bias go? -- Tracing bias from pretraining data to alignment [54.51310112013655]
本研究では, 事前学習データにおける性別占有バイアスと, LLMにおける性別占有バイアスの相関について検討した。その結果,事前学習データに存在するバイアスがモデル出力に増幅されることが判明した。
論文参考訳（メタデータ） (2024-11-28T16:20:25Z)
Do LLMs exhibit human-like response biases? A case study in survey design [66.1850490474361]
大規模言語モデル(LLM)が人間の反応バイアスをどの程度反映しているかについて検討する。アンケート調査では, LLMが人間のような応答バイアスを示すかどうかを評価するためのデータセットとフレームワークを設計した。 9つのモデルに対する総合的な評価は、一般のオープンかつ商用のLCMは、一般的に人間のような振る舞いを反映しないことを示している。
論文参考訳（メタデータ） (2023-11-07T15:40:43Z)

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。