論文の概要: Epistemic Subordination: Generative AI and the Infrastructure of Knowledge

• arxiv url: http://arxiv.org/abs/2608.18758v1
• Date: Wed, 19 Aug 2026 10:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.371346
• Title: Epistemic Subordination: Generative AI and the Infrastructure of Knowledge
• Title（参考訳）: エピステミック・サブコーディネーション:生成AIと知識基盤
• Abstract要約: ジェネレーティブAIは、大多数の知識の既定基盤としての知識を符号化する。 トレーニングプロセスは、人間の表現の全幅を単一の確率モデルに圧縮する。 マイノリティの認識論は除外されないが、吸収される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI does not merely produce biased outputs. It encodes the majority's way of knowing as the default infrastructure of knowledge itself. We call this epistemic subordination. The training process compresses the full breadth of human expression into a single probabilistic model whose statistical baseline reflects the languages, assumptions, and cultural frameworks of the dominant culture. Minority epistemologies are not excluded but absorbed: present in the training data, yet structurally subordinated in the output. The result is not a collection of discrete biases that can be audited and corrected. It is an epistemic condition embedded in the architecture from which all outputs emerge. This unified harm cuts across three legal domains -- anti-discrimination law, cultural and linguistic rights, and democratic viewpoint pluralism -- and each fails to address it for the same structural reason: existing law regulates downstream, at the level of decisions and applications. The remedy must match the site of harm. If epistemic subordination is produced at the level of model training, then law must learn to govern at that level.
• Abstract（参考訳）: 生成AIは単にバイアスのある出力を生成するだけではない。 これは、大多数が知識のデフォルトの基盤として知る方法をエンコードしている。 これをてんかんという。 トレーニングプロセスは、人間の表現の全幅を単一の確率モデルに圧縮し、その統計ベースラインは支配的な文化の言語、仮定、文化の枠組みを反映する。 マイノリティの認識学は除外されないが吸収され、トレーニングデータには存在するが、出力には構造的に従属している。 その結果は、監査と修正が可能な離散バイアスの集合ではない。 これは、全ての出力が出現するアーキテクチャに埋め込まれた疫学的状態である。 この統一的危害は、反差別法、文化的・言語的権利、民主的な視点の多元主義という3つの法域にまたがって減少し、それぞれが同じ構造上の理由から対処することができない:既存の法律は、決定と適用のレベルで下流を規制する。 治療は危害の場所と一致しなければならない。 エピステマティック・サブコーディネーションがモデルトレーニングのレベルで生み出される場合、法律はそのレベルで統治することを学ぶ必要がある。

関連論文リスト

• Surprisal Theory is Tautological (without Rational Grounding) [60.917028769172795]
  予備理論は、文脈における言語単位の人間の処理困難は、ある言語モデルの下でのそのサブプライムのアフィン関数であると主張している。 この主張は、これ以上の制約を伴わないタウトロジーであると私は主張する。 私は、タウトロジーを破るには合理主義的な介入が必要だと結論付けます。
  論文  参考訳（メタデータ） (2026-07-23T17:54:37Z)
• Epistemic Constitutionalism Or: how to avoid coherence bias [0.0]
  本稿では、システムがどのように形成し、どのように信念を表現するかを規定する、明示的で議論の余地のあるメタノルムを論じる。 私は、フロンティアモデルが、予想されるイデオロギー的位置が議論の内容と矛盾するソースに起因する議論を罰するアイデンティティ・スタンス・コヒーレンスを強制していることを示します。 私は、正式な正当性とデフォルトのソース独立を規定するプラトンと、そのような特権を拒否する自由主義の2つの立憲的アプローチを区別します。
  論文  参考訳（メタデータ） (2026-01-16T07:36:30Z)
• Addressing Logical Fallacies In Scientific Reasoning From Large Language Models: Towards a Dual-Inference Training Framework [0.13854111346209866]
  大規模言語モデル(LLM)は自然言語処理を変革し、科学、医療、意思決定の進歩への期待が高まっている。 本稿は,2つのコントリビューションを行う。まず,主要なプラットフォームから存在するLCMが,否定や反例,あるいは欠陥のある前提で科学的領域を推論する際に,体系的な弱点を示すことを示す。 第二に、肯定生成と構造化反事実否定を統合する二重推論トレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-03T19:50:39Z)
• The Algebra of Meaning: Why Machines Need Montague More Than Moore's Law [0.32904041852873017]
  モデレーション、脆さ、不透明なセマンティクスは、データやスケール制限よりも、型理論的なセマンティクスの欠如の兆候である、と我々は主張する。 モンタギューの型付き合成代数学としての言語観に基づいて、アライメントを解析問題として再放送する。 本稿では、発話を記述型論理形式にコンパイルする、ニューロシンボリック言語であるSavaiを紹介する。
  論文  参考訳（メタデータ） (2025-10-08T01:22:26Z)
• The Epistemic Suite: A Post-Foundational Diagnostic Methodology for Assessing AI Knowledge Claims [0.7233897166339268]
  本稿では,AI出力の生成と受信の状況を理解するための診断手法であるEpistemic Suiteを紹介する。 真実や虚偽を判断する代わりに、スイートは20個の診断レンズを通して、信頼の洗浄、物語の圧縮、異動した権威、一時的な漂流などのパターンを明らかにする。
  論文  参考訳（メタデータ） (2025-09-20T00:29:38Z)
• Cognitive Castes: Artificial Intelligence, Epistemic Stratification, and the Dissolution of Democratic Discourse [0.0]
  この議論は、現代のAIシステムが抽象化、記号論理、敵の尋問を備えた個人の推論能力をいかに増幅するかを辿る。 提案された回答は、技術的規制や普遍的なアクセスではなく、市民の委任として合理的な自治の再構築である。
  論文  参考訳（メタデータ） (2025-07-16T08:46:45Z)
• Surprise! Uniform Information Density Isn't the Whole Story: Predicting Surprisal Contours in Long-form Discourse [54.08750245737734]
  話者は、階層的に構造化された談話モデル内の位置に基づいて、情報率を変調する。 階層的予測器は談話の情報輪郭の重要な予測器であり,深い階層的予測器は浅い予測器よりも予測力が高いことがわかった。
  論文  参考訳（メタデータ） (2024-10-21T14:42:37Z)
• How to Handle Different Types of Out-of-Distribution Scenarios in Computational Argumentation? A Comprehensive and Fine-Grained Field Study [59.13867562744973]
  この研究は、オフ・オブ・ディストリビューション(OOD)シナリオにおけるLMの能力を体系的に評価する。 このような学習パラダイムの有効性は,OODの種類によって異なることがわかった。 具体的には、ICLはドメインシフトに優れているが、プロンプトベースの微調整はトピックシフトに勝っている。
  論文  参考訳（メタデータ） (2023-09-15T11:15:47Z)
• APOLLO: A Simple Approach for Adaptive Pretraining of Language Models for Logical Reasoning [73.3035118224719]
  本稿では,論理的推論能力を改善した適応事前学習型言語モデルAPOLLOを提案する。 APOLLOはReClorで比較可能であり、LogiQAでベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-12-19T07:40:02Z)
• Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization? [90.35044668396591]
  機械学習における繰り返しのテーマはアルゴリズムによるモノカルチャーである。同じシステム、またはコンポーネントを共有するシステムは、複数の意思決定者によってデプロイされる。 意思決定者がトレーニングデータや特定のモデルなどのコンポーネントを共有すれば、より均一な結果が得られます。 我々はこの仮説をアルゴリズムフェアネスベンチマークで検証し、トレーニングデータの共有がホモジェナイゼーションを確実に悪化させることを示した。 結果の均質化に関する哲学的分析と社会的な課題を、デプロイされた機械学習システムに含めることに着目して結論付ける。
  論文  参考訳（メタデータ） (2022-11-25T09:33:11Z)
• Provable Limitations of Acquiring Meaning from Ungrounded Form: What will Future Language Models Understand? [87.20342701232869]
  未知のシステムが意味を習得する能力について検討する。 アサーションによってシステムが等価性のような意味関係を保存する表現をエミュレートできるかどうか検討する。 言語内のすべての表現が参照的に透明であれば,アサーションによってセマンティックエミュレーションが可能になる。 しかし、言語が変数バインディングのような非透過的なパターンを使用する場合、エミュレーションは計算不能な問題になる可能性がある。
  論文  参考訳（メタデータ） (2021-04-22T01:00:17Z)
• Leap-Of-Thought: Teaching Pre-Trained Models to Systematically Reason Over Implicit Knowledge [96.92252296244233]
  大規模な事前学習言語モデル(LM)は推論能力を得るが、制御は困難である。 本研究では,暗黙的,事前学習された知識と明示的な自然言語文を併用して,体系的推論を確実に行うことができることを示す。 我々の研究は、シンプルな自然言語文を追加することで、モデルを簡単に修正できるユーザと対話することで、常に改善されるオープンドメインシステムへの道を開く。
  論文  参考訳（メタデータ） (2020-06-11T17:02:20Z)

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。