論文の概要: Value Over Language Model: Detecting Original Contribution in Writing

• arxiv url: http://arxiv.org/abs/2609.00700v1
• Date: Tue, 01 Sep 2026 04:21:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.2991
• Title: Value Over Language Model: Detecting Original Contribution in Writing
• Title（参考訳）: 言語モデルに対する価値: 執筆におけるオリジナルコントリビューションの検出
• Authors: Vibhhu Sharma, Thorsten Joachims, Sarah Dean,
• Abstract要約: 我々は、言語モデルが自分自身で容易に生成できるものの上に、人がどれだけの価値を付加するかを測定するフレームワークを設計する。 この方法は、トレーニングやラベル付きデータを必要とせず、文書の表面のテキストをスコアすることはない。 ヒューマンオーサリングされた文書と、ジェネリックタスク記述から生成された一致したLCM生成文書とを分離する。
• 参考スコア（独自算出の注目度）: 23.244156664404205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLMs have been rapidly adopted across writing tasks, prompting the development of tools for detecting LLM-generated text. Yet, these tools largely measure how much of a document's surface text was written by an LLM and aren't fundamentally designed to measure how much of the information content or ideas originated from the LLM itself rather than being supplied by the user in the prompt. In this work, we design a framework that measures how much value a person adds on top of what a language model could have easily produced by itself. The method requires no training or labeled data and never scores the document's surface text, insulating it from stylistic confounders. Instead, it extracts the document's content at increasing levels of granularity, uses an LLM to reconstruct the document from each partial representation, and compares these reconstructions with those produced from the task description alone. We call this framework Value Over Language Model (VOLM), which measures a document's contribution relative to a replacement-level document that an LLM could produce from the task description alone. We evaluate VOLM with a specific instantiation of this framework across three domains: news articles, ICLR peer reviews, and argumentative essays. VOLM separates human-authored documents from matched LLM-generated documents produced from generic task descriptions, while remaining substantially invariant to content-preserving transformations, including LLM-based reconstruction and round-trip translation. We further find that increasingly constrained content extractors reduce residual differences between LLM-generated and humanized text, demonstrating the importance of disentangling informational content from stylistic variation. We hope these results encourage further work on specialized instantiations of the framework and on assessing human contributions in LLM-assisted writing more generally.
• Abstract（参考訳）: LLMは、書き込みタスク間で急速に採用され、LLM生成テキストを検出するツールの開発が進められている。 しかし、これらのツールは、文書の表面テキストのどれだけがLLMによって書かれていたのかを測り、プロンプトでユーザから供給されるのではなく、LLM自体から得られる情報内容やアイデアの量を測定するために、基本的には設計されていない。 本研究では,言語モデルが自分自身で容易に生成できるものの上に,人がどれだけの価値を付加するかを測定するフレームワークを設計する。 この方法は、トレーニングやラベル付きデータを必要としないため、文書の表面のテキストをスコア付けせず、スタイリスティックな共同設立者から絶縁する。 その代わりに、文書の内容が粒度の増大とともに抽出され、LCMを使用して各部分表現から文書を再構成し、これらの再構成をタスク記述のみから生成されたものと比較する。 このフレームワークをVOLM(Value Over Language Model)と呼び、タスク記述のみからLLMが生成できる代替レベルのドキュメントに対して、ドキュメントのコントリビューションを測定する。 我々は,VOLMを,ニュース記事,ICLRピアレビュー,議論的エッセイという3つの領域にまたがって,このフレームワークの特定のインスタンス化によって評価する。 VOLMは、LLMベースの再構築やラウンドトリップ翻訳を含むコンテンツ保存変換とほぼ不変でありながら、一般的なタスク記述から生成された一致したLLM生成文書と人間による文書を分離する。 さらに、制約のあるコンテンツ抽出器は、LCM生成テキストと人文化テキストの残差を低減し、スタイリスティックなバリエーションから情報コンテンツを切り離すことの重要性が示される。 これらの結果は、フレームワークの特殊インスタンス化とLLM支援書込みにおける人的貢献の評価に関するさらなる研究を促進することを願っている。

関連論文リスト

• Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
  Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。 結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
  論文  参考訳（メタデータ） (2025-07-22T06:37:51Z)
• GEM: Empowering LLM for both Embedding Generation and Language Understanding [11.081595808236239]
  高品質なテキスト埋め込みを生成するために,GEM(Generative Embedding large Language Model)を提案する。 本手法では,新たな特殊トークンをテキスト本体に挿入し,アテンションマスクを操作することでテキストの要約埋め込みを生成する。 提案手法は,従来のNLP性能を維持しつつ,最先端のテキスト埋め込み機能でLCMを活用できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-04T18:02:07Z)
• LAQuer: Localized Attribution Queries in Content-grounded Generation [69.60308443863606]
  グラウンドドテキスト生成モデルは、しばしば元の資料から逸脱したコンテンツを生成し、正確性を保証するためにユーザの検証を必要とする。 既存の属性メソッドは、全文とソース文書を関連付けるが、これは特定のクレームを事実チェックしようとするユーザにとって圧倒的に多い。 これは、生成された出力の選択したスパンを対応するソーススパンにローカライズし、きめ細かな、ユーザ指向のアトリビューションを可能にする新しいタスクである。
  論文  参考訳（メタデータ） (2025-06-01T21:46:23Z)
• MLLM-Guided VLM Fine-Tuning with Joint Inference for Zero-Shot Composed Image Retrieval [50.062817677022586]
  Zero-Shot Image Retrieval (ZS-CIR) メソッドは通常、参照イメージを擬似テキストトークンに変換するアダプタを訓練する。 MLLM-Guided VLM Fine-Tuning with Joint Inference (MVFT-JI) を提案する。
  論文  参考訳（メタデータ） (2025-05-26T08:56:59Z)
• Idiosyncrasies in Large Language Models [54.26923012617675]
  大規模言語モデル(LLM)における慣用句の公開と研究 LLM生成テキストへの微調整テキスト埋め込みモデルにより,優れた分類精度が得られることがわかった。 我々はLLMを審査員として利用し、各モデルの慣用句の詳細かつオープンな記述を生成する。
  論文  参考訳（メタデータ） (2025-02-17T18:59:02Z)
• Peering into the Mind of Language Models: An Approach for Attribution in Contextual Question Answering [9.86691461253151]
  大規模言語モデル(LLM)の隠れ状態表現を利用した文脈質問応答における帰属手法を提案する。 提案手法は,より詳細な属性を提供し,生成した回答の質を保ちながら,広範囲なモデル再訓練および検索モデルオーバーヘッドの必要性を回避している。 本稿では,LLM世代に対するトークンレベルのアノテーションを文脈質問応答設定に有する属性データセットであるVerifiability-granularを提案する。
  論文  参考訳（メタデータ） (2024-05-28T09:12:44Z)
• RepEval: Effective Text Evaluation with LLM Representation [55.26340302485898]
  RepEvalは、評価のためにLarge Language Models(LLM)表現の投影を利用するメトリクスである。 我々の研究は、LLM表現に埋め込まれたテキスト品質に関する情報の豊かさを強調し、新しいメトリクスの開発のための洞察を提供する。
  論文  参考訳（メタデータ） (2024-04-30T13:50:55Z)
• LAPDoc: Layout-Aware Prompting for Documents [3.523208537466128]
  そこで本研究では,テキストベースのLLMを文書固有のタスクに使用する可能性について,レイアウトエンリッチメントを用いて検討する。 その結果,レイアウトの充実により,文書理解のためのテキストベースのLLMの性能が最大15%向上することが示唆された。
  論文  参考訳（メタデータ） (2024-02-15T10:00:49Z)
• LMDX: Language Model-based Document Information Extraction and Localization [23.656970495804963]
  大規模言語モデル(LLM)は自然言語処理(NLP)に革命をもたらした 視覚的に豊かな文書から情報を抽出する彼らの応用は、まだ成功していない。 このタスクにLLMを採用する主な障害は、LLM内にレイアウトエンコーディングがないことである。
  論文  参考訳（メタデータ） (2023-09-19T22:32:56Z)

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。