論文の概要: SocialReasonBench: A Video-QA Benchmark for Social Reasoning with Counterfactual Narrative Videos
- arxiv url: http://arxiv.org/abs/2608.30716v1
- Date: Mon, 31 Aug 2026 12:55:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.395484
- Title: SocialReasonBench: A Video-QA Benchmark for Social Reasoning with Counterfactual Narrative Videos
- Title（参考訳）: SocialReasonBench: 対実的ナラティブビデオによるソーシャル推論のためのビデオQAベンチマーク
- Abstract要約: 社会的根拠に基づく推論を評価するためのビデオ多重選択QAベンチマークであるSocialReasonBenchを紹介する。
Detroit: Become Humanのゲームプレイビデオから作られたこのベンチマークは、プレイヤーの決定がソーシャルな結果に繋がる分岐したストーリーラインを活用する。
SocialReasonBenchは、意図認識、感情的共感、道徳的ジレンマ、反事実的推論、因果的先行性を含む7つの推論次元をカバーしている。
- 参考スコア（独自算出の注目度）: 46.079844534942474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in Large Multimodal Models (LMMs) have greatly improved video understanding, yet their ability to reason about human-centered social situations remains limited. Existing benchmarks typically rely on videos with a single observed trajectory, making it difficult to determine whether models truly understand social dynamics or merely exploit recurring narrative patterns. We introduce SocialReasonBench, a video multiple-choice QA benchmark for evaluating socially grounded reasoning in scenarios derived from interactive narratives. Built from gameplay videos of Detroit: Become Human, the benchmark leverages branching storylines where player decisions lead to alternative social outcomes that can be checked against the game's own script, flowchart, and recorded branches. We develop a multi-agent curation pipeline that localizes socially meaningful clips, grounds answer labels in game-state signals, and generates theory-guided questions with diagnostic distractors. SocialReasonBench covers seven reasoning dimensions, including intent recognition, emotional empathy, moral dilemma, counterfactual reasoning, and causal antecedent. Experiments on contemporary LMMs show that models perform reasonably well on basic social understanding but struggle with counterfactual and causal reasoning. Further ablation and diagnostic error analyses reveal that models often depend on incomplete modality cues and fall into reasoning traps such as visual shortcuts, highlighting a gap between observable event recognition and deeper reasoning over latent social states.
- Abstract（参考訳）: 大規模マルチモーダルモデル(LMM)の最近の進歩はビデオ理解を大幅に改善しているが、人間中心の社会的状況について推論する能力は依然として限られている。
既存のベンチマークは通常、観察された1つの軌跡を持つビデオに依存しており、モデルが真に社会的ダイナミクスを理解しているか、単に繰り返される物語パターンを利用するのかを判断することは困難である。
インタラクティブな物語から派生したシナリオにおける社会的根拠に基づく推論を評価するための,ビデオ多重選択QAベンチマークであるSocialReasonBenchを紹介する。
デトロイト:Become Humanのゲームプレイビデオから構築されたこのベンチマークは、プレイヤーの決定がゲームのスクリプト、フローチャート、記録されたブランチに対してチェック可能なソーシャルな結果につながる分岐ストーリーラインを活用する。
社会的に意味のあるクリップをローカライズし、ゲーム状態の信号に回答ラベルを接地し、診断障害を伴う理論誘導質問を生成するマルチエージェントキュレーションパイプラインを開発した。
SocialReasonBenchは、意図認識、感情的共感、道徳的ジレンマ、反事実的推論、因果的先行性を含む7つの推論次元をカバーしている。
現代のLMMの実験では、モデルは基本的な社会的理解において合理的に機能するが、反事実的・因果的推論に苦しむことが示されている。
さらなるアブレーションと診断エラー分析により、モデルは不完全なモダリティの手がかりに頼り、視覚的ショートカットのような推論の罠に陥り、観測可能な事象認識と潜伏した社会的状態に対する深い推論とのギャップを浮き彫りにする。
関連論文リスト
- PerceptionComp: A Video Benchmark for Complex Perception-Centric Reasoning [63.52215283384644]
本稿では,知覚中心のビデオ推論のベンチマークであるPerceptionCompを紹介する。
ベンチマークには、さまざまなドメインの279のビデオに関する1,114の非常に複雑な質問が含まれている。
人間の研究によると、PerceptionCompは、かなりのテスト時間思考と繰り返し知覚ステップを必要とする。
論文 参考訳（メタデータ） (2026-03-27T17:54:36Z) - SVBench: Evaluation of Video Generation Models on Social Reasoning [35.06131184286366]
ビデオ生成における社会的推論のための最初のベンチマークを紹介する。
我々は,各実験の推論機構を蒸留する,完全学習不要なエージェントベースパイプラインを開発した。
われわれは,7つの最先端ビデオ生成システムを対象とした大規模な研究を行った。
論文 参考訳（メタデータ） (2025-12-25T04:44:59Z) - Video-R2: Reinforcing Consistent and Grounded Reasoning in Multimodal Language Models [56.851611990473174]
動的ビジュアルコンテンツに対する推論は、大きな言語モデルにとって依然として中心的な課題である。
本稿では,時間的精度と推論一貫性を両立させる強化学習手法を提案する。
結果のモデルであるVideo R2は、複数のベンチマークでTAC、VAS、精度を一貫して向上させる。
論文 参考訳（メタデータ） (2025-11-28T18:59:58Z) - CausalStep: A Benchmark for Explicit Stepwise Causal Reasoning in Videos [39.4914316747781]
CausalStepはビデオの段階的因果推論のベンチマークである。
ビデオは因果的にリンクされたユニットに分割し、厳密な段階的な質問応答プロトコルを強制する。
ベンチマークには、6つのカテゴリに100の動画と、1,852のマルチチョイスQAペアが含まれている。
論文 参考訳（メタデータ） (2025-07-22T12:29:13Z) - ImplicitQA: Going beyond frames towards Implicit Video Reasoning [39.63171940350552]
ImplicitQAは、人間のような暗黙の推論でビデオQAモデルをテストするために設計された新しいベンチマークである。
ImplicitQAは、1Kの高品質なクリエイティビティビデオクリップから引き出された1Kの微妙な注釈付きQAペアからなる。
論文 参考訳（メタデータ） (2025-06-26T19:53:54Z) - SIV-Bench: A Video Benchmark for Social Interaction Understanding and Reasoning [53.16179295245888]
SIV-Benchは、SSU(Social Scene Understanding)、SSR(Social State Reasoning)、SDP(Social Dynamics Prediction)におけるMLLM(Multimodal Large Language Models)の機能を評価するための新しいビデオベンチマークである。
SIV-Benchは、2,792本のビデオクリップと8,792本の人間とLLMのコラボレーティブパイプラインから得られた精巧に生成された質問応答ペアを備えている。
また、異なるテキストキュー固有のオンスクリーンテキスト、追加の対話、あるいはノーテキストの影響を分析するための専用の設定も含まれている。
論文 参考訳（メタデータ） (2025-06-05T05:51:35Z) - Video-Holmes: Can MLLM Think Like Holmes for Complex Video Reasoning? [56.06537213958482]
本稿では,MLLMの複雑なビデオ推論能力を評価するためのベンチマークであるVideo-Holmesを紹介する。
Video-Holmesは270本の手動注釈付きサスペンス短編映画から1,837の質問で構成されている。
最新のMLLMを包括的に評価した結果,これらのモデルは視覚的知覚に優れるが,情報の統合にはかなりの困難が伴うことが明らかとなった。
論文 参考訳（メタデータ） (2025-05-27T16:05:01Z) - VEGAS: Towards Visually Explainable and Grounded Artificial Social Intelligence [22.086567828557683]
ソーシャルインテリジェンスクエリ(Social Intelligence Queries、Social-IQ)は、モデルのソーシャルインテリジェンスレベルを評価するための主要なマルチモーダルベンチマークである。
本稿では,視覚的説明可能・接地型人工知能(VEGAS)モデルを提案する。
論文 参考訳（メタデータ） (2025-04-03T02:48:21Z) - STAR: A Benchmark for Situated Reasoning in Real-World Videos [94.78038233351758]
本稿では,実世界のビデオに対して,状況抽象化と論理的質問応答による位置推論能力を評価する新しいベンチマークを提案する。
データセットには、インタラクション、シーケンス、予測、実現可能性の4つのタイプが含まれている。
本稿では,視覚知覚,状況抽象化,言語理解,機能推論を両立させることができる診断型ニューロシンボリックモデルを提案する。
論文 参考訳（メタデータ） (2024-05-15T21:53:54Z)
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。