論文の概要: Mapping the Emerging Social Science of Large Language Models

• arxiv url: http://arxiv.org/abs/2609.07598v1
• Date: Mon, 07 Sep 2026 15:08:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.452003
• Title: Mapping the Emerging Social Science of Large Language Models
• Title（参考訳）: 大規模言語モデルの創発的社会科学のマッピング
• Abstract要約: 大規模言語モデル(LLM)はコミュニケーション、学習、仕事、創造性、意思決定をますます形作る。 本研究は,全文でレビューした198論文のキュレートコーパスと47,719論文のフィールドスケールコーパスを用いて,この新興分野をマッピングする。
• 参考スコア（独自算出の注目度）: 6.487073446770733
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large language models (LLMs) increasingly shape communication, learning, work, creativity, and decision-making, yet social-science research on these developments remains fragmented. We map this emerging field using a curated corpus of 198 papers reviewed in full and a field-scale corpus of 47,719 published papers from five bibliographic databases. Combining sentence embeddings, K-means clustering, within-cluster Latent Dirichlet Allocation (LDA), author and LLM classifications, and structural topic modeling, we identify three domains: LLM as Social Minds, examining socially interpretable model behavior; LLM Societies, examining collective dynamics among interacting model-based agents; and LLM-Human Interactions, examining how people perceive, use, and are affected by LLMs. These domains contain 13 subcategories spanning reasoning, personality and bias, behavioral games, collective intelligence, simulation, trust, work, creativity, and education. In the curated corpus, the three-domain solution is highly stable under resampling (adjusted Rand index = 0.952), and K-means assignments agree with author full-text classifications for 77.78% of papers. At field scale, 13 of 15 topics map onto the taxonomy, while K-means and structural-topic-model domains agree for 73.83% of overlapping papers. LLM-Human Interactions accounts for 78.02% of domain-mapped topic mass, but venue analysis reveals a contrasting pattern: Social Minds and LLM Societies together account for 66.37% of highly cited papers in leading conference venues, whereas LLM-Human Interactions accounts for 76.81% in the corresponding journal subset. The resulting taxonomy provides a reproducible framework for understanding how model behavior, agent interaction, and institutional context jointly shape the social consequences of LLMs.
• Abstract（参考訳）: 大規模言語モデル(LLM)はコミュニケーション、学習、仕事、創造性、意思決定をますます形作るが、これらの発展に関する社会科学の研究は断片化されている。 本研究は,全文でレビューした198論文のキュレートコーパスと,5つの文献データベースから47,719論文のフィールドスケールコーパスを用いて,この分野をマッピングする。 文埋め込み,K-平均クラスタリング,クラスタ内遅延ディリクレ割当(LDA),著者とLLM分類,構造的トピックモデリングを組み合わせて,LLMを社会的マインドとして,社会的に解釈可能なモデル行動として,LLMソサイエティ,相互作用するモデルベースエージェント間での集合的ダイナミクスの検証,LLM-Humanインタラクション,LLMの知覚,使用,LLMの影響の3つの領域を同定する。 これらのドメインには、推論、パーソナリティとバイアス、行動ゲーム、集合知性、シミュレーション、信頼、仕事、創造性、教育を含む13のサブカテゴリが含まれる。 キュレートされたコーパスでは、3つの領域の解は再サンプリング(調整されたRand index = 0.952)の下で非常に安定であり、K平均の割り当ては77.78%の論文の著者のフルテキスト分類と一致している。 フィールドスケールでは、15トピックのうち13トピックが分類にマップされ、K平均と構造トピックモデルドメインは重なり合う論文の73.83%に一致している。 LLM-Human Interactionsはドメインマップされたトピックの質量の78.02%を占めるが、会場分析では対照的なパターンが示されている: ソーシャルマインドとLLMソシエティは主要な会議会場で引用された論文の66.37%を占め、LLM-Human Interactionsは76.81%である。 結果として生じる分類は、モデル行動、エージェントの相互作用、制度的文脈がLLMの社会的帰結をどのように形成するかを理解するための再現可能な枠組みを提供する。

関連論文リスト

• Does Syntax Matter? A Graph-Augmented Variational Topic Model for Computational Social Sciences [51.56484100374058]
  本稿では、構文依存関係をトピック推論に組み込んだアーキテクチャである、構造的文脈確率的トピックモデル(SCPTM)を紹介する。 本研究では,レジスタ構造と談話構造が異なる4つのコーパスのトピックモデリング手法について検討した。 その結果, SCPTMのニューラルアーキテクチャは, 生成的ベースラインよりも文書・トピックアライメントが著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2026-09-07T17:39:06Z)
• From Isolated Tasks to Structured Capabilities: A Multilayer Taxonomy for Large Language Models [41.36461541603076]
  大規模言語モデル(LLM)の評価は多様なタスクとベンチマークにまたがる。 証拠は、調査する能力よりも、タスクを中心に組織化されている。 14の能力ドメインと91のサブスキルからなる多層分類を導入した。
  論文  参考訳（メタデータ） (2026-07-24T10:49:50Z)
• Bridging the Semantic Gap for Categorical Data Clustering via Large Language Models [64.58262227709842]
  ARISE(Attention-weighted Representation with Integrated Semantic Embeddings)が紹介される。 正確なクラスタリングのためにカテゴリデータのメトリック空間を補完するセマンティックアウェア表現を構築する。 8つのベンチマークデータセットの実験では、7つの代表的なデータセットよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-03T11:37:46Z)
• The Emergence of Social Science of Large Language Models [0.8582203861502194]
  大規模言語モデル(LLM)の社会科学は、これらのシステムがマインドアトリビューションを誘発し、相互に相互作用し、人間の活動や制度を変革する方法について考察する。 社会心としてのLLMは、モデルが認知、道徳、偏見の帰属を示す行動を示し、テスト漏れや表面の手がかりのような課題に対処するかどうかを調査する。 ヒューマンインタラクションとしてのLLMは、LLMがタスク、学習、信頼、仕事、ガバナンスをどのように作り変え、ヒューマンAIインターフェースでリスクが生じるかを調べる。
  論文  参考訳（メタデータ） (2025-09-29T14:55:14Z)
• Context-Aware Hierarchical Taxonomy Generation for Scientific Papers via LLM-Guided Multi-Aspect Clustering [59.54662810933882]
  既存の分類体系の構築手法は、教師なしクラスタリングや大きな言語モデルの直接的プロンプトを利用しており、コヒーレンスと粒度の欠如が多かった。 LLM誘導型マルチアスペクト符号化と動的クラスタリングを統合したコンテキスト対応階層型階層型分類生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T15:12:58Z)
• Let's Use ChatGPT To Write Our Paper! Benchmarking LLMs To Write the Introduction of a Research Paper [64.50822834679101]
  SciIGは、タイトル、抽象、および関連する作品からコヒーレントな紹介を生成するLLMの能力を評価するタスクである。 オープンソース (DeepSeek-v3, Gemma-3-12B, LLaMA 4-Maverick, MistralAI Small 3.1) およびクローズドソース GPT-4o システムを含む5つの最先端モデルを評価する。 結果は、特に意味的類似性と忠実性において、ほとんどのメトリクスにおいて、LLaMA-4 Maverickの優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-08-19T21:11:11Z)
• PapersPlease: A Benchmark for Evaluating Motivational Values of Large Language Models Based on ERG Theory [24.290880164707122]
  大規模言語モデルの意思決定を調査するために設計された,3700のモラルジレンマからなるベンチマークであるPapersPleaseを紹介する。 この設定では,LPMは,人々の短い物語に基づいて入国を承認するか拒否するかを決定する移民検査官として機能する。 6つのLCMを統計的に分析した結果,LSMが暗黙の嗜好を符号化していることが示唆された。
  論文  参考訳（メタデータ） (2025-06-27T07:09:11Z)
• Unraveling SITT: Social Influence Technique Taxonomy and Detection with LLMs [36.136619420474766]
  本稿では、テキストコンテンツにおける微妙な社会的影響を検出するために、58の実証的基礎技術からなる包括的枠組みを提案する。 ポーランド語の専門家11名による注釈付き746対話コーパスを用いてLLMの識別能力を評価し,英語に翻訳した。 以上の結果から,いくつかのモデル,特にClaude 3.5は中等度の成功(F1=0.45)を達成できたが,モデル全体の性能は,特に文脈に敏感な手法では限定的であった。 この研究は、LLMが自然対話における社会的影響の戦略を検出し、分類し、潜在的に複製する方法を理解するための新しい資源と評価の例に貢献している。
  論文  参考訳（メタデータ） (2025-05-29T11:36:25Z)
• Quantifying Generative Media Bias with a Corpus of Real-world and Generated News Articles [12.356251871670011]
  大規模言語モデル(LLM)は、タスクやドメインにまたがってますます活用されてきている。 本研究では、政治バイアスに着目し、教師付きモデルとLLMの両方を用いて検出する。 ジャーナリストの領域内ではじめて、この研究は定量化実験の枠組みを概説した。
  論文  参考訳（メタデータ） (2024-06-16T01:32:04Z)
• Exploring Collaboration Mechanisms for LLM Agents: A Social Psychology View [60.80731090755224]
  本稿では,理論的洞察を用いた実用実験により,現代NLPシステム間の協調機構を解明する。 我々は, LLMエージェントからなる4つの独特な社会をつくり, それぞれのエージェントは, 特定の特性(容易性, 過信性)によって特徴づけられ, 異なる思考パターン(議論, ふりかえり)と協調する。 以上の結果から, LLMエージェントは, 社会心理学理論を反映した, 適合性やコンセンサスリーディングといった人間的な社会的行動を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2023-10-03T15:05:52Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)

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。