論文の概要: The Language of the Question Selects the Market: Query Language and Exit IP as Separable Factors in Commercial Recommendations from a Generative Search Interface

• arxiv url: http://arxiv.org/abs/2608.30052v1
• Date: Sun, 30 Aug 2026 21:25:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.167636
• Title: The Language of the Question Selects the Market: Query Language and Exit IP as Separable Factors in Commercial Recommendations from a Generative Search Interface
• Title（参考訳）: 質問の言語が市場を選択: 生成的検索インタフェースからの商業勧告の分離要因としてのクエリ言語とIPの抽出
• Abstract要約: ログアウトされたChatGPT WebインターフェースとOpenAI APIに対して,234回の動作を制御したプローブを報告した。 クェリ言語が国と一致した地域では、グローバルブランドが24ラン中1ランを獲得し、同じ接続で英語で質問され、現地ブランドはエストニアとトルコで6ラン中0ランを獲得した。 ロシアはエストニアから6ラン中4ランでエストニアのサプライヤーに、全6ランでグローバルのサプライヤーに指名した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When a generative search interface answers a commercial question, which market's products it names is decided before the model reasons about the products. We report a controlled probe of 234 runs against the logged-out ChatGPT web interface and the OpenAI API, collected on 29 and 30 August 2026 across four exit countries and six query languages, with six identical runs per cell. Three results. First, the top recommendation is unstable: it changed across six identical runs on four of six prompts, and that rate was identical in the browser interface and in the API with web search both enabled and disabled, so instability is a property of the system and not of the surface. Second, query language, and not location, decides whether local suppliers appear at all. Where the query language matched the country, a global brand won 1 of 24 runs; asked in English on the same connections, local brands took 0 of 6 runs in Estonia and Turkiye. Third, language and location are separable and act on different things: holding the query language fixed and moving only the exit IP moves the market whose brands are named while the answer stays in the query language. We show this on two unrelated pairs, Turkish asked from Berlin and Russian asked from Tallinn, and in both the answer names the resident country's suppliers. A minority language occupies a middle tier: Russian asked from Estonia names an Estonian supplier in 4 of 6 runs and a global one in all six, where Estonian names a local supplier in every run and English names none. A negative control in a second category, coded with the same instrument, shows no language effect at all, and disconfirms our own expectation: that category does have domestic suppliers and none was named in any language, which points the explanation at whether a category is nationally regulated rather than at whether it is nationally supplied.
• Abstract（参考訳）: 生成検索インタフェースが商品の商業的問題に答えたとき、製品に関するモデル理由が決定される前に、その名称が決定される。 2026年8月29日と30日に4つの出口国と6つの問合せ言語で収集されたChatGPT WebインターフェースとOpenAI APIに対して234回のランを制御した調査を報告した。 3つの結果。 まず、トップレコメンデーションは不安定である:6つのプロンプトのうち4つで6つの同一実行で変更され、ブラウザインターフェースとWeb検索が有効で無効なAPIでは、そのレートが同じだった。 第二に、クエリ言語は場所ではなく、ローカルサプライヤーが全く現れるかどうかを決定する。 クェリ言語が国と一致した地域では、グローバルブランドが24ラン中1ランを獲得し、同じ接続で英語で質問され、現地ブランドはエストニアとトルコで6ラン中0ランを獲得した。 第3に、言語と場所は分離可能であり、異なることに対処する: クエリ言語を固定し、出口IPのみを移動させることで、回答がクエリ言語に留まっている間に、ブランド名が付けられた市場を移動させる。 トルコはベルリンから、ロシアはタリンから、答えは両国のサプライヤーの名前だ。 ロシアはエストニアから6ラン中4ランでエストニアのサプライヤーに、全6ランでグローバルのサプライヤーに指名した。 第2のカテゴリーにおける負の制御は、同じ楽器で符号化されており、言語効果は一切示さず、また、我々の期待に反している:そのカテゴリーは国内供給者を持ち、いかなる言語にも名前を付けられていない。

関連論文リスト

• IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
  我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。 セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
  論文  参考訳（メタデータ） (2026-08-17T09:50:52Z)
• Language Equality has a Price: A Systematic Investigation of Multi-turn LLM Performance for EU-24+ [13.870546465768443]
  すべての公用語において、両方の商用システムはすべてのオープンウェイトモデルを上回っ、最も弱い2つはEU-24全体で40ポイント以下である。 中国語は2つの中国製モデルで30言語中最強だが、どのモデルでも最高の中国語スコアは米国の商用システムに属する。 非英語の中央値は英語より31%高く、スコアは10%低い。
  論文  参考訳（メタデータ） (2026-08-02T17:20:01Z)
• Where Does the Noise Come From? A Variance-Components Decomposition of Non-Determinism in LLM Brand Answers [0.0]
  大きな言語モデルがブランドを推奨するかどうかを測定するチームは、問題に直面します。 評価されたブランドスコアは、少なくとも4つの分離可能な理由(即時再サンプリング、フレーズのプロンプト、モデルアイデンティティ、クエリ言語)で動きます。
  論文  参考訳（メタデータ） (2026-07-14T22:12:52Z)
• How Large Language Models Source Brand Reputation Across Languages and Markets [0.0]
  我々は167,551URL接地引用(合計帰属列)を分析する(9,974行) 85.7%の引用は、ブランドが所有していない場所を指し、14.3%が所有している。 ウィキペディアは12言語のうち11言語で最も暗黙のドメインである。
  論文  参考訳（メタデータ） (2026-06-24T13:04:58Z)
• The Language Blind Spot: How Query Language and Brand Recognition Tier Shape AI-Constructed Brand Reputation Across Twelve European Languages [0.0]
  大規模言語モデル(LLM)は、人々が印象を形成する方法をますます仲介する。 ほとんどの監視は英語で行われ、英語のクエリが代表画像を返すと仮定する。 11の北、バルト、中央ヨーロッパ市場から約66のブランドを問い合わせました。
  論文  参考訳（メタデータ） (2026-06-22T11:05:43Z)
• Evaluating Commercial AI Chatbots as News Intermediaries [85.32040752972836]
  ベストシステムは、数時間前に報告されたイベントに関する質問に対して、90%以上の多重選択精度を達成する。 すべてのモデルはヒンディー語で最小の精度を達成する。 原因ではなく検索は エラーの70%以上を 引き起こします
  論文  参考訳（メタデータ） (2026-05-21T17:42:07Z)
• Benchmarking Commercial ASR Systems on Code-Switching Speech: Arabic, Persian, and German [0.34797121357690153]
  我々は、4つの言語ペアで5つの商用ASRプロバイダを評価するベンチマークを示す。 We evaluate on WER and BERTScore, showed that both metrics agree on the Ordinal ranking of systems, WER inflats the size of quality gaps。 ElevenLabs Scribe v2は最低のWER(全体の13.2%)を獲得し、BERTScore(全体の0.936)に導かれる。
  論文  参考訳（メタデータ） (2026-05-18T19:50:44Z)
• XLQA: A Benchmark for Locale-Aware Multilingual Open-Domain Question Answering [48.913480244527925]
  大規模言語モデル (LLM) はオープンドメイン質問応答 (ODQA) において大きな進歩を見せている。 ほとんどの評価は英語に焦点をあて、言語間で局所不変の回答を仮定する。 XLQAは局所感性多言語ODQA用に明示的に設計された新しいベンチマークである。
  論文  参考訳（メタデータ） (2025-08-22T07:00:13Z)
• M2QA: Multi-domain Multilingual Question Answering [63.191474328757366]
  入力変動に対する一般化と堅牢性は、機械学習研究の核となるデシダータである。 マルチドメイン多言語質問応答ベンチマークであるM2QAを紹介する。 M2QAには、ドイツ語、トルコ語、中国語で13500のSQuAD 2.0スタイルの質問応答インスタンスが含まれている。
  論文  参考訳（メタデータ） (2024-07-01T08:48:49Z)
• Do All Languages Cost the Same? Tokenization in the Era of Commercial Language Models [68.29126169579132]
  APIベンダは、使用量に基づいてユーザを課金する。具体的には、基盤となる言語モデルによって処理されたトークンの数や生成されるトークンの数に基づいて。 しかし、トークンを構成するのは、異なる言語で同じ情報を伝達するのに必要なトークンの数に大きなばらつきに依存するトレーニングデータとモデルである。 我々は, OpenAI の言語モデル API のコストと有用性について,22言語で多言語ベンチマークを行った。
  論文  参考訳（メタデータ） (2023-05-23T05:46:45Z)
• Discovering Phonetic Inventories with Crosslingual Automatic Speech Recognition [71.49308685090324]
  本稿では,未知言語における音声認識における異なる要因(モデルアーキテクチャ,音韻モデル,音声表現の種類)の影響について検討する。 独特な音、類似した音、トーン言語は、音声による在庫発見の大きな課題である。
  論文  参考訳（メタデータ） (2022-01-26T22:12:55Z)

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。