論文の概要: LLMs as Oracles: Reliance on LLMs for Subjective Personal Questions

• arxiv url: http://arxiv.org/abs/2609.14849v1
• Date: Sun, 13 Sep 2026 23:47:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.013639
• Title: LLMs as Oracles: Reliance on LLMs for Subjective Personal Questions
• Title（参考訳）: オラクルとしてのLLM: 主観的個人的質問に対するLLMの信頼性
• Abstract要約: 我々は、人々がLLMにどう目を向けているのかを、オーラクルとして特徴づける: 主観的個人的質問に関するすべての知識を持つ当局。 ユーザの自律性と幸福に対するリスクに動機づけられた私たちは,このようなAI依存度を大規模に測定するタイプポロジーと方法を開発しました。
• 参考スコア（独自算出の注目度）: 67.08243073804717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We characterize how people are turning to LLMs as oracles: all-knowing authorities on subjective personal questions. Motivated by risks to users' autonomy and well-being, we develop a typology and LLM-based methods to measure this form of AI reliance at scale and understand how people are offloading judgment and decision-making to AI. Applying our typology to public usage data (68K prompts from WildChat and ThoughtTrace), we find that LLM-as-oracle use has increased over time (2023-2026) and is more prevalent among younger users. We further build a privacy-preserving data donation tool to analyze individuals' longitudinal usage data (140K prompts from 52 participants), identifying similar trends. People are often unaware of their own LLM-as-oracle use, and express dissatisfaction with this behavior after seeing our tool's analysis. Finally, we identify two drivers of LLM-as-oracle use: people's perceptions of AI and the behavior of AI models themselves, which motivate possible interventions to support users' self-deliberation.
• Abstract（参考訳）: 我々は、人々がLLMにどう目を向けているのかを、オーラクルとして特徴づける: 主観的個人的質問に関するすべての知識を持つ当局。 ユーザの自律性と幸福に対するリスクに動機づけられた私たちは、このようなAI依存度を大規模に測定し、人々が判断と意思決定をAIにオフロードする方法を理解するための、タイプロジとLLMベースの方法を開発しました。 タイポロジーを公共利用データ(WildChatとThoughtTraceから68Kのプロンプト)に適用すると、LLM-as-oracleの使用は時間とともに増加し(2023-2026)、若いユーザーの間でも普及していることがわかった。 さらに、プライバシー保護データ提供ツールを構築し、個人の縦データ(52人の参加者から140Kのプロンプト)を分析し、同様の傾向を特定する。 人々はしばしば、自分たちでLLM-as-oracleを使っていることに気づかず、ツールの分析を見て、この行動に不満を表明します。 最後に、LLM-as-oracleの使用の2つの要因を特定する。AIに対する人々の認識と、AIモデル自体の振る舞いである。

関連論文リスト

• Are Large Language Models Sensitive to the Motives Behind Communication? [9.246336669308665]
  大規模言語モデル(LLM)とAIエージェントは、人間の意図とインセンティブによって本質的にフレーム化された情報を処理する。 LLMが現実世界で有効であるためには、ソースのモチベーションを要因としてコンテンツの評価を批判的に行う必要がある。 我々は認知科学から制御された実験を用いて、LCMの行動が動機付けられた証言からの学習の合理的モデルと一致していることを検証する。 LLMの推論は、合理的なモデルをほとんど正確に追跡していないことが分かっています -- 一部には、警戒と関連する考慮を妨げている追加情報があるからです。
  論文  参考訳（メタデータ） (2025-10-22T15:35:00Z)
• Just-In-Time Objectives: A General Approach for Specialized AI Interactions [55.20968270133027]
  大規模な言語モデルは、幅広い関数セットを約束するが、特定の目的を与えられていない場合は、clichで照らされた電子メールのドラフト作成などのミルクトーストの結果をデフォルトとする。 我々は,ユーザの移動目標を推定し,その特定の目的を迅速に最適化し,LLMがより応答性が高く望まれるツール,インターフェース,応答を生成できることを実証する。
  論文  参考訳（メタデータ） (2025-10-16T11:53:17Z)
• LLMs in Cybersecurity: Friend or Foe in the Human Decision Loop? [0.15293427903448023]
  大規模言語モデル(LLM)は、認知的協力者としての行動によって人間の意思決定を変革している。 本稿では,LLMがセキュリティクリティカルな文脈でどのように人間の判断を形作るかを検討する。
  論文  参考訳（メタデータ） (2025-09-08T12:06:06Z)
• Language Models Change Facts Based on the Way You Talk [38.44076602344941]
  大規模言語モデル(LLM)は,ユーザクエリにおけるアイデンティティのマーカーに対して極めて敏感であることがわかった。 これらのバイアスは、これらの用途に市販のLCMを使用することで、医療の有害な違いを引き起こし、賃金格差を育み、異なるアイデンティティを持つ人々のために異なる政治的事実を創出する可能性があることを意味する。
  論文  参考訳（メタデータ） (2025-07-17T13:21:17Z)
• Addressing Bias in LLMs: Strategies and Application to Fair AI-based Recruitment [49.81946749379338]
  この研究は、トランスフォーマーベースのシステムの能力を分析して、データに存在する人口統計バイアスを学習する。 最終ツールにおける偏りを緩和する手段として,学習パイプラインからの性別情報を削減するためのプライバシー向上フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:29:43Z)
• Persuasion with Large Language Models: a Survey [49.86930318312291]
  大規模言語モデル (LLM) は説得力のあるコミュニケーションに新たな破壊的可能性を生み出している。 政治、マーケティング、公衆衛生、電子商取引、慈善事業などの分野では、LLMシステムズは既に人間レベルや超人的説得力を達成している。 LLMをベースとした説得の現在と将来の可能性は、倫理的・社会的リスクを著しく引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2024-11-11T10:05:52Z)
• Secret Use of Large Language Model (LLM) [25.452542727215178]
  大規模言語モデル(LLM)は、AI使用の透明性に対する責任を分散化している。 本研究は,LLMの秘密利用の背景にある文脈と原因について検討した。 このような秘密行動は、特定のタスクによって引き起こされることが多く、ユーザ間での人口動態や人格差を超越する。
  論文  参考訳（メタデータ） (2024-09-28T20:31:53Z)
• Advancing Annotation of Stance in Social Media Posts: A Comparative Analysis of Large Language Models and Crowd Sourcing [2.936331223824117]
  ソーシャルメディア投稿における自動テキストアノテーションのための大規模言語モデル(LLM)は、大きな関心を集めている。 ソーシャルメディア投稿において,8つのオープンソースおよびプロプライエタリなLCMの性能分析を行った。 「我々の研究の顕著な発見は、姿勢を表わす文章の明快さが、LLMの姿勢判断が人間とどのように一致しているかにおいて重要な役割を担っていることである。」
  論文  参考訳（メタデータ） (2024-06-11T17:26:07Z)
• Small Models, Big Insights: Leveraging Slim Proxy Models To Decide When and What to Retrieve for LLMs [60.40396361115776]
  本稿では,スリムプロキシモデルを用いた大規模言語モデル (LLM) における知識不足を検知する新しい協調手法であるSlimPLMを提案する。 パラメータがはるかに少ないプロキシモデルを採用し、回答を回答としています。 ヒューリスティックな回答は、LLM内の既知の未知の知識と同様に、ユーザの質問に答えるために必要な知識を予測するのに使用される。
  論文  参考訳（メタデータ） (2024-02-19T11:11:08Z)
• CLOMO: Counterfactual Logical Modification with Large Language Models [109.60793869938534]
  本稿では,新しいタスク,CLOMO(Counterfactual Logical Modification)と高品質な人間アノテーションベンチマークを紹介する。 このタスクでは、LLMは所定の論理的関係を維持するために、与えられた議論的テキストを順応的に変更しなければなりません。 LLMの自然言語出力を直接評価する革新的な評価指標である自己評価スコア(SES)を提案する。
  論文  参考訳（メタデータ） (2023-11-29T08:29:54Z)
• On the steerability of large language models toward data-driven personas [98.9138902560793]
  大規模言語モデル(LLM)は、特定のグループや集団の意見が不足している偏りのある応答を生成することが知られている。 本稿では, LLM を用いて特定の視点の制御可能な生成を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T19:01:13Z)
• ReEval: Automatic Hallucination Evaluation for Retrieval-Augmented Large Language Models via Transferable Adversarial Attacks [91.55895047448249]
  本稿では,LLMベースのフレームワークであるReEvalについて述べる。 本稿では、ChatGPTを用いてReEvalを実装し、2つの人気のあるオープンドメインQAデータセットのバリエーションを評価する。 我々の生成したデータは人間可読であり、大きな言語モデルで幻覚を引き起こすのに役立ちます。
  論文  参考訳（メタデータ） (2023-10-19T06:37:32Z)

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。