論文の概要: Evaluating Human and LLM-Generated Thematic Analysis in HRI for Vulnerable Populations: A Comparative and Ethical Analysis

• arxiv url: http://arxiv.org/abs/2608.21420v1
• Date: Fri, 14 Aug 2026 10:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 05:49:59.242352
• Title: Evaluating Human and LLM-Generated Thematic Analysis in HRI for Vulnerable Populations: A Comparative and Ethical Analysis
• Title（参考訳）: 脆弱人口に対するHRIにおける人間とLLM生成テーマ解析の評価 : 比較的・倫理的分析
• Abstract要約: 主題分析(TA)は、長い間、本質的に人間的、反射的、解釈的なプロセスと見なされてきた。 本稿では,ヒトとLDM産生TAのHRI文脈における比較研究を行い,脆弱な個体群に着目した。
• 参考スコア（独自算出の注目度）: 6.017338355843873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Thematic analysis (TA) has long been regarded as an inherently human, reflexive, and interpretive process. However, the extent to which LLM-generated TA is appropriate for Human-Robot Interaction (HRI) research involving vulnerable populations remains largely unexamined and raises critical questions about validity and ethics, particularly in sensitive research contexts. This paper presents a comparative study of human- and LLM-generated TA in an HRI context with a focus on vulnerable populations. We evaluate both objective and semantic agreement between human- and LLMgenerated themes, and examine whether observed divergences reflect systematic interpretive patterns with ethical significance. Our analysis investigates whether LLM-generated TA risks marginalising or misrepresenting the experiences of vulnerable participants, with implications for researchers employing LLM-assisted TA in HRI.
• Abstract（参考訳）: 主題分析(TA)は、長い間、本質的に人間的、反射的、解釈的なプロセスと見なされてきた。 しかし、LLMが生成するTAが、脆弱な集団に関わる人間-ロボットインタラクション(HRI)研究にどの程度適しているかについては、未検討のままであり、特にセンシティブな研究状況において、妥当性と倫理に関する批判的な疑問が提起されている。 本稿では,ヒトとLDM産生TAのHRI文脈における比較研究を行い,脆弱な個体群に着目した。 我々は,人間とLLM生成テーマの客観的および意味的一致を評価し,観察された発散パターンが倫理的意義を持つ体系的解釈パターンを反映するかどうかを検討した。 LLMによるTAのリスクが脆弱な参加者の体験を損なうか、あるいは誤って表現するかどうかを検討し、HRIにおけるLLM支援TAを用いた研究者への影響を考察した。

関連論文リスト

• Interpretable Humans, Alien LLMs: Expert Analysis of Latent Structures in Assessment Responses [0.0]
  大規模言語モデル(LLM)の評価は、人間によって設計された評価に大きく依存する。 LLMのパフォーマンスを規定する潜在要因が、人間の学習者を管理する認知構造と同じ実体的、人間解釈可能な意味を持つかどうかを検討する。
  論文  参考訳（メタデータ） (2026-08-18T14:08:25Z)
• This human study did not involve human subjects: Validating LLM simulations as behavioral evidence [15.56427716190418]
  ヒューリスティックなアプローチは、シミュレーションされた観察された人間の行動が交換可能であることを確立する。 統計的キャリブレーションは、観察された反応とシミュレーションされた反応の相違を説明するために、補助的な人間のデータと統計的調整を組み合わせる。
  論文  参考訳（メタデータ） (2026-02-17T18:18:38Z)
• How Do We Research Human-Robot Interaction in the Age of Large Language Models? A Systematic Review [25.744333061791284]
  大規模言語モデル(LLM)は人間-ロボット相互作用(HRI)の分野を根本的に変えつつある PRISMAガイドラインに従って系統的な文献検索を行い,包括的基準を満たした86項目を同定した。 その結果,1)LLMは,ロボットがコンテキストを知覚し,社会的基盤を持つ相互作用を発生させ,人間のニーズとの連続的な整合性を維持することによって,HRIの基礎を変容させつつあること,2)LLM駆動型HRIの異なる側面に焦点を絞った研究を中心に,主に探索的な研究が行われていること,などが判明した。
  論文  参考訳（メタデータ） (2026-02-13T13:55:43Z)
• IV Co-Scientist: Multi-Agent LLM Framework for Causal Instrumental Variable Discovery [61.15184885636171]
  内因性変数と結果との相同性の存在下では、インストゥルメンタル変数(IVs)を用いて内因性変数の因果効果を分離する。 大規模言語モデル(LLM)がこの課題に有効かどうかを検討する。 本稿では,多エージェントシステムであるIV Co-Scientistを紹介する。
  論文  参考訳（メタデータ） (2026-02-08T12:28:29Z)
• LLM-Assisted Thematic Analysis: Opportunities, Limitations, and Recommendations [5.660100855602864]
  大規模言語モデル(LLM)は、ソフトウェア工学(SE)における定性的研究を支援するために、ますます使われている。 本研究は, 経験者のSE研究者が, LLMをテーマ分析に統合する可能性, リスク, 方法論的意味について考察した。
  論文  参考訳（メタデータ） (2025-11-18T14:32:48Z)
• LLM-REVal: Can We Trust LLM Reviewers Yet? [70.58742663985652]
  大規模言語モデル(LLM)は研究者に、学術的なワークフローに広く組み込むよう刺激を与えている。 本研究は、LLMのピアレビューと研究プロセスへの深い統合が学術的公正性にどのように影響するかに焦点を当てる。
  論文  参考訳（メタデータ） (2025-10-14T10:30:20Z)
• TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews [54.35097932763878]
  Thematic Analysis (TA) は、構造化されていないテキストデータの潜在意味を明らかにするために広く使われている定性的手法である。 本稿では,多エージェントLEMを用いた人間とAIの協調的テーマ分析フレームワークTAMAを提案する。 TAMA は既存の LLM 支援TA アプローチよりも優れており,高い主題的ヒット率,カバレッジ,独特性を実現している。
  論文  参考訳（メタデータ） (2025-03-26T15:58:16Z)
• The LLM Effect: Are Humans Truly Using LLMs, or Are They Being Influenced By Them Instead? [60.01746782465275]
  大規模言語モデル(LLM)は、様々な分析タスクにおいて、人間のパフォーマンスに近い能力を示している。 本稿では,Human-LLMパートナーシップに着目した構造化ユーザスタディにより,特殊作業におけるLLMの効率と精度について検討する。
  論文  参考訳（メタデータ） (2024-10-07T02:30:18Z)
• Awes, Laws, and Flaws From Today's LLM Research [0.0]
  我々は,2020年から2024年の間に2000件を超える研究成果を,良質な研究とされる基準に基づいて評価した。 倫理的否定者の減少、評価者としてのLLMの台頭、人的評価を生かさないLLM推論能力の主張の増加など、さまざまな傾向を見出した。
  論文  参考訳（メタデータ） (2024-08-27T21:19:37Z)
• Automating Thematic Analysis: How LLMs Analyse Controversial Topics [5.025737475817937]
  大規模言語モデル(LLM)は有望な分析ツールである。 本稿では,LLMが議論の的となっているトピックのテーマ分析をどのようにサポートするかを検討する。 本研究は,人間エージェントと機械エージェントのセマンティック分類における重なり合いと相違点に注目した。
  論文  参考訳（メタデータ） (2024-05-11T05:28:25Z)
• Beyond Human Norms: Unveiling Unique Values of Large Language Models through Interdisciplinary Approaches [69.73783026870998]
  本研究では,大言語モデルの固有値システムをスクラッチから再構築する新しいフレームワークであるValueLexを提案する。 語彙仮説に基づいて、ValueLexは30以上のLLMから様々な値を引き出すための生成的アプローチを導入している。 我々は,3つのコア値次元,能力,キャラクタ,積分をそれぞれ特定の部分次元で同定し,LLMが非人間的だが構造化された価値体系を持っていることを明らかにした。
  論文  参考訳（メタデータ） (2024-04-19T09:44:51Z)
• Exploring the Reliability of Large Language Models as Customized Evaluators for Diverse NLP Tasks [65.69651759036535]
  大規模言語モデル(LLM)が人間にとって信頼できる代替手段であるかどうかを解析する。 本稿では、従来のタスク(例えば、ストーリー生成)とアライメントタスク(例えば、数学推論)の両方について検討する。 LLM評価器は不要な基準を生成したり、重要な基準を省略することができる。
  論文  参考訳（メタデータ） (2023-10-30T17:04:35Z)
• Perspectives on Large Language Models for Relevance Judgment [56.935731584323996]
  大型言語モデル(LLM)は、関連判断を支援することができると主張している。 自動判定が検索システムの評価に確実に利用できるかどうかは不明である。
  論文  参考訳（メタデータ） (2023-04-13T13:08:38Z)

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。