論文の概要: Is Your Neighborhood Safe? Place-based Stigma in Large Language Models' Urban Safety Judgments
- arxiv url: http://arxiv.org/abs/2608.26188v1
- Date: Sun, 23 Aug 2026 02:40:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.111866
- Title: Is Your Neighborhood Safe? Place-based Stigma in Large Language Models' Urban Safety Judgments
- Title（参考訳）: 近隣は安全か? : 大言語モデルの都市安全判断における場所ベーススティグマ
- Abstract要約: 名称を地理から分離する7つの指導モデルについて検討する。
評価は7モデル中6モデルの座標でほぼ平坦である。
名前の安全性が低い地域は、地域的に支配的な少数派集団の株が高い地域である。
- 参考スコア（独自算出の注目度）: 13.972342642403186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models are increasingly used to inform safety decisions in cities, such as where it is safe to walk, rent, or travel. We ask whether such judgments track measured risk or the patterns attached to an urban neighborhood's name. We probe seven instruct-tuned models under three conditions that dissociate name from geography: coordinates-only, name-only, and name+coordinates, across 186 neighborhoods in Los Angeles and Chicago, joined to violent crime and American Community Survey data. First, ratings are nearly flat under coordinates for six of seven models, while names carry most between neighborhood variation and are moderately calibrated to violent crime; only at frontier scale does the coordinate channel show appreciable variation. Second, names lower safety ratings more for neighborhoods with higher shares of the locally dominant marginalized group (percent Black in Chicago, percent Hispanic in Los Angeles), and this name effect tracks demographic share in all seven models and both cities. In Los Angeles, where demographic share and crime are more separable, the effect survives controls for crime and income and is confirmed by crime-matched pairs. An enforcement-elasticity analysis further shows that over-caution tracks near-fully-reported homicide rather than discretionary, deployment-driven offenses. Third, the effect scales with geographic knowledge: models that better distinguish real neighborhoods apply more demographic stereotype to them. Because neighborhood names carry both genuine crime signal and demographic stereotype, removing names reduces both bias and accuracy. We discuss implications for deploying LLMs in advice and decision-support settings.
- Abstract（参考訳）: 大規模な言語モデルは、歩くこと、レンタルすること、旅行することの安全な場所など、都市の安全判断を知らせるために、ますます使われています。
このような判断は, 市町村の名前に付随するリスクやパターンを追跡できるかどうかを問う。
ロサンゼルスとシカゴの186の地区にまたがる座標のみ、名前のみ、および名前+コーディネート(coordinates)と、暴力犯罪とアメリカコミュニティサーベイ(American Community Survey)の3つの条件の下で、訓練を受けた7つのモデルを調査した。
第一に、評価は7つのモデルのうち6つのモデルの座標の下でほぼ平坦であり、名称は地区のバリエーションの間をほとんど行き来しており、暴力犯罪に適度に校正されている。
第二に、地域が支配する地域グループ(シカゴの黒人の割合、ロサンゼルスのヒスパニックの比率)のシェアが高い地区では安全性の格付けが低くなり、この名前のエフェクトは7つのモデルと両方の都市で人口統計上のシェアを追跡する。
人口シェアと犯罪が分離可能なロサンゼルスでは、この効果は犯罪と収入のコントロールを生き残り、犯罪にマッチしたペアによって確認される。
法執行-弾性分析により、過度に注意が払われた殺人は、故意の、配備主導の犯罪ではなく、ほぼ確実に報告された。
第三に、その効果は地理的知識によってスケールする: 実際の地区をよりよく区別するモデルは、彼らにより人口統計学的ステレオタイプを適用します。
地区名は本物の犯罪信号と人口統計のステレオタイプの両方を持っているので、名前を削除することはバイアスと正確さの両方を減らす。
アドバイスや意思決定支援の設定にLLMを配置することの意味について論じる。
関連論文リスト
- A Digital Shadow for Modeling, Studying and Preventing Urban Crime [0.0]
世界の人口の約80%は高い犯罪率の国に住んでいる。
本稿では,都市犯罪をモデル化・シミュレーションするデジタル影プラットフォームの開発と検証について述べる。
論文 参考訳（メタデータ） (2025-01-08T11:31:39Z) - What's in a Name? Auditing Large Language Models for Race and Gender Bias [45.1187517058961]
我々は、GPT-4を含む最先端の大規模言語モデルのバイアスを調査するために監査設計を採用する。
このアドバイスは、一般的に人種的マイノリティや女性に結びついている名前に系統的に不利であることがわかった。
論文 参考訳（メタデータ） (2024-02-21T18:25:25Z) - Large Language Models are Geographically Biased [47.88767211956144]
我々は、地理のレンズを通して、我々の住む世界について、Large Language Models (LLM)が何を知っているかを研究する。
我々は,地理空間予測において,システム的誤りと定義する,様々な問題的地理的バイアスを示す。
論文 参考訳（メタデータ） (2024-02-05T02:32:09Z) - Ranking the locations and predicting future crime occurrence by
retrieving news from different Bangla online newspapers [2.3979112009934163]
我々は、特定の場所の安全性について、人々に近似を与えるアプローチを考え出した。
私たちのアプローチは、犯罪データをクロールするために、さまざまなオンラインバングラ新聞に依存しています。
論文 参考訳（メタデータ） (2023-05-18T04:19:26Z) - Spatial-Temporal Hypergraph Self-Supervised Learning for Crime
Prediction [60.508960752148454]
本研究では,犯罪予測におけるラベル不足問題に対処する空間的ハイパーグラフ自己監視学習フレームワークを提案する。
都市空間全体における犯罪の地域的依存性をエンコードするクロスリージョンハイパーグラフ構造学習を提案する。
また,2段階の自己指導型学習パラダイムを設計し,局所的・世界的空間的犯罪パターンを共同で捉えるだけでなく,地域的自己差別の強化による疎犯罪表現を補う。
論文 参考訳（メタデータ） (2022-04-18T23:46:01Z) - Measuring and Modeling Neighborhoods [0.0]
我々は、回答者が自分の近所を地図上に描いたりできるオープンソースの調査機器を開発した。
本研究では, 住民と地域住民の特性がどのように主観的地区を決定するか分析する統計モデルを提案する。
論文 参考訳（メタデータ） (2021-10-26T20:43:41Z) - The effect of differential victim crime reporting on predictive policing
systems [84.86615754515252]
本研究では, 被害者の犯罪報告率の違いが, 共通犯罪ホットスポット予測モデルにおいて, 結果の相違をもたらすことを示す。
以上の結果から, 犯罪報告率の差は, 高犯罪から低犯罪へ, 高犯罪・中犯罪・高報道へ, 予測ホットスポットの移動につながる可能性が示唆された。
論文 参考訳（メタデータ） (2021-01-30T01:57:22Z) - More crime in cities? On the scaling laws of crime and the inadequacy of
per capita rankings -- a cross-country study [0.0]
市民一人当たりの犯罪率は、ほぼどこでも都市をランク付けし比較するために使用される。
人口1人当たりのランク付けは、人口規模に応じて調整されたランキングとは大きく異なるランク付けが可能であることを実証した。
論文 参考訳（メタデータ） (2020-12-30T23:36:28Z) - Discovering Underground Maps from Fashion [80.02941583103612]
本研究では,都市部の地下地図を自動的に作成する手法を提案する。
本手法は,都市全域から公開されている画像を用いて,類似のファッションセンスを持つ地域を探索し,地図を監督せずにセグメント化する。
論文 参考訳（メタデータ） (2020-12-04T23:40:59Z) - Socio-economic, built environment, and mobility conditions associated
with crime: A study of multiple cities [9.78342936850961]
本研究では,犯罪と社会経済的要因との関連性を検討するためのベイズモデルを提案する。
その結果, 社会経済的条件, 移動情報, 身体的特徴の併用は, 犯罪の発生を効果的に説明できることがわかった。
近隣住民の社会・生態的要因が犯罪に大きく関係していることが示される。
論文 参考訳（メタデータ） (2020-04-13T08:36:59Z) - Measuring Spatial Subdivisions in Urban Mobility with Mobile Phone Data [58.720142291102135]
2050年までに世界の人口の3分の2が都市部に住んでいる。
この成長は、都市が持続可能性を測定し計画する能力よりも速く、より複雑である。
都市がなぜ包括的になるのかを理解するために,空間分割を識別し特徴付ける手法を定義する。
論文 参考訳（メタデータ） (2020-02-20T14:37:46Z)
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。