論文の概要: An LLM-Associated Register Shift in Korean Journal Abstracts: A Morphology-Aware Excess-Vocabulary Study, 2018-2026

• arxiv url: http://arxiv.org/abs/2609.07447v1
• Date: Mon, 07 Sep 2026 12:56:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 00:18:36.027978
• Title: An LLM-Associated Register Shift in Korean Journal Abstracts: A Morphology-Aware Excess-Vocabulary Study, 2018-2026
• Title（参考訳）: 韓国の学術誌『LLM-Associated Register Shift in Korean Journal Abstracts: A Morphology-Aware Excess-Vocabulary Study, 2018-2026
• Abstract要約: 2023年以前の傾向よりも高い単語の頻度である余分な語彙は、2022年以降の学術英語の変化がどのように測定されたかである。 プラセボの床は1ワード統計では0.1-2.2点、再選択された分割半値統計では少なくとも2.9点である。 韓国の抽象化は2023年、2024年後半に始まり、2025年までの2026年半ばの平ら化を示している。
• 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: Excess vocabulary, a word's frequency above its pre-2023 trend, is how the change in scholarly English after 2022 has been measured. We adapt it to Korean with morphological units on 398,296 KCI abstracts (2018-August 2026), with 47,165 Vietnamese abstracts for comparison. Placebo floors are 0.1-2.2 points for the single-word statistic and at most 2.9 for the re-selected split-half set statistic. Korean abstracts show nothing in 2023, onset in late 2024, a rise through 2025 flattening in mid-2026: sisahada "suggest" appears in 21.4% of 2026 abstracts against 5.3% expected; plain verbs like araboda "look into" fall to a quarter of trend. Under stated assumptions the single-word conditional lower bound on LLM-processed abstracts is 3.5%, 10.5% and 16.1% for 2024-2026 and a split-half set bound 7.8%, 20.6% and 33.0%. Holzwarth et al.'s estimator under the same discipline gives 41.9% and 72.1% for 2025-2026. Subject-matter controls reduce but do not remove it: restricting the set to lemmas three language-model annotators all call style leaves 14.7 of the 33.0 points, and pairing each 2026 abstract with its journal's closest base-period abstract leaves 34.1. Tested translation routes do not explain it: the surface marks of translated Korean fall as the markers rise. In the same articles' English abstracts the excess appears a year earlier; where the English side carries none, the Korean shift persists at 30 to 66% of the rate where it does. Control abstracts from three providers reproduce the rising words, with marker turnover consistent with model generations; implied prevalences are scenario-dependent.
• Abstract（参考訳）: 2023年以前の傾向よりも高い単語の頻度である余分な語彙は、2022年以降の学術英語の変化がどのように測定されたかである。 韓国の398,296KCI抽象体(2018～2026年8月)と,47,165ベトナムの抽象体を比較検討した。 プラセボの床は1ワード統計では0.1-2.2点、再選択された分割半値統計では少なくとも2.9点である。 韓国の抽象語は2023年後半、2024年後半、2025年半ばの平坦化が始まり、2026年半ばに「suggest」が5.3%に対して2026年抽象語のうち21.4%に現れ、アラボダのような平易な動詞は4分の1の傾向に落ち着いた。 LLMで処理された抽象表現の1ワード条件付き下限は、2024-2026では3.5%、10.5%、16.1%であり、分割半減期は7.8%、20.6%、および33.0%である。 Holzwarth et al's estimator under the same discipline: 41.9% and 72.1% for 2025-2026. the set to lemmas three language-model annotators all call style leaves 14.7 of the 33.0 points, and pairing each 2026 abstract with its journal's most base- period abstract leaves 34.1. tested translation route does not explain it: the surfacemark of translation Korean fall as the markers rises. 3つのプロバイダの制御抽象化は、モデル世代と整合したマーカーのターンオーバーで、上昇する単語を再現する。

関連論文リスト

• Annotated Surrogate Retrieval for Polish Statutory Law [0.0]
  本稿では,文書代理法に基づくポーランド法典の検索方法のファミリについて述べる。 ASCRはサロゲートカスケードであり、ASCR-Hはそのカスケードに密度の高いリストを融合させ、DTFは言語モデルの両方のステージを3つの語彙と密度の高いレトリバーで置き換える。 2024年と2025年のポーランドの弁護士試験と法律顧問試験の300問に対して,これら3項目について,語彙,密集度,融解度,融解度と4つの基準値とを比較検討した。
  論文  参考訳（メタデータ） (2026-08-31T15:05:00Z)
• Why Summaries Turn Neutral: Policy Attribution for Sentiment Drift in Reinforcement Learning from Human Feedback [46.49327788332846]
  人間のフィードバックによる強化学習(RLHF)は、LLMを人間の好みと整合させ、要約と安全性を向上させる。 RLHFサマリーはより高い報酬を得るが、Reddit TL;DRとCNN/DailyMailでは30-40%の感情差を示す。 要約品質を損なうことなく18～22%のドリフトを削減できる感情認識正則化手法を提案し,検証した。
  論文  参考訳（メタデータ） (2026-08-16T04:56:03Z)
• The em-dash em-beds in Congress: A population-level rise in em-dash frequency in U.S. congressional press releases at the dawn of the large-language-model era, 2021-2025 [0.0]
  テキスト1000文字あたりの非スペースな散文形式のエムダッシュ密度を解析した。 2021-2024年まで1,000文字あたり0.10-0.12の範囲に留まり、4年ベースラインの2倍以上の2025年には0.217まで上昇した。 エムダッシュは人口レベルのマーカーであり、リリース単位のオーサシップ検出器ではない。
  論文  参考訳（メタデータ） (2026-08-06T11:12:48Z)
• When AI Writes, Who Gets Cited? Evidence of Citation Monoculture Across Language Models [45.91367912142692]
  異なるモデルがいまだに同じ狭い部分集合を選択している可能性を示し、単一の引用が誤りを犯さずに、引用モノカルチャーを生成する。 3つのベンダーの11のモデルが、30のランダムなパネルから少なくとも10の論文を選択しており、実際のタイトルと抽象物があるが、作者が作り直され、再割り当て年、隠れた会場と引用数がある。
  論文  参考訳（メタデータ） (2026-08-03T14:27:46Z)
• Em-ergence of the em-dash: a population-level rise in em-dash frequency in medRxiv preprints at the dawn of the large-language-model era [0.0]
  Em-dashsは、補助テキストに微妙なスタイルの痕跡を残すことができる。 議論におけるエムダッシュの有病率は、ChatGPT以前の4.23%からその後11.58%に増加した。 デザインは因果関係を確立できない。科学文献の書き方には、2020年代初めから、そしてほぼいつにかけて、顕著に変化があったかが示される。
  論文  参考訳（メタデータ） (2026-06-28T18:03:51Z)
• AI-Associated Lexical Shifts Across 34 Languages: Cross-Lingual Convergence and Diachronic Uptake in News Writing [0.0]
  我々はこの作業をWMT News Crawl corpusの34言語に拡張する。 各言語について、ログの頻度比を用いて、ランク付けされたAI過剰な補題を導出する。 我々は言語間セマンティックコンバージェンスをかなり見つけている。
  論文  参考訳（メタデータ） (2026-05-25T02:24:46Z)
• Soohak: A Mathematician-Curated Benchmark for Evaluating Research-level Math Capabilities of LLMs [86.49905745865038]
  Soohakは64人の数学者によって新たに書かれた439プロブレムのベンチマークである。 データセットは2026年後半に公開され、中間で要求に応じてモデル評価が利用可能になる。
  論文  参考訳（メタデータ） (2026-05-09T17:14:22Z)
• Do Large Language Models Reduce Research Novelty? Evidence from Information Systems Journals [0.0]
  私は、2020年から2025年にかけて、44のインフォメーション・システムズ誌に掲載された13,847の論文のセマンティックノベルティを測定します。 非英語圏の機関に加盟する作家は、英語圏の作家と比較して、相対的新奇性における標準偏差が0.18減少している。
  論文  参考訳（メタデータ） (2026-03-23T19:16:54Z)
• Open Korean Historical Corpus: A Millennia-Scale Diachronic Collection of Public Domain Texts [52.754009498236684]
  我々は1,300年と6つの言語からなるデータセットであるOpen Korean Historical Corpusを紹介した。 このコーパスには7世紀から2025年までの19の資料から1800万の文書と50億のトークンが含まれている。 この研究は、韓国語の歴史を捉えることで、量的二時間分析の基盤となる資源を提供する。
  論文  参考訳（メタデータ） (2025-10-28T15:43:26Z)
• Monitoring AI-Modified Content at Scale: A Case Study on the Impact of ChatGPT on AI Conference Peer Reviews [51.453135368388686]
  本稿では,大規模言語モデル (LLM) によって実質的に修正あるいは生成される可能性のある大規模コーパスにおけるテキストの分数推定手法を提案する。 我々の最大可能性モデルは、専門家による参照テキストとAIによる参照テキストを利用して、コーパスレベルでの実世界のLLM使用を正確かつ効率的に検証する。
  論文  参考訳（メタデータ） (2024-03-11T21:51:39Z)
• KoSBi: A Dataset for Mitigating Social Bias Risks Towards Safer Large Language Model Application [45.3863281375947]
  大規模言語モデル(LLM)は、自然テキスト生成能力だけでなく、現実世界のデータから異なる人口集団に対する社会的偏見も学習する。 既存の研究や資源は、言語や文化の違いから、韓国では容易には適用できない。 我々は,韓国における34k対の文脈と文からなる新しい社会的バイアスデータセット KO SB I を15のカテゴリーで72の人口集団をカバーした。
  論文  参考訳（メタデータ） (2023-05-28T12:07:16Z)

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。