論文の概要: Summarization Bias: The Directional Collapse of Objective Projection into Told-Mode Labels in Large Language Models --- A Conceptual Framework and Registered Test Protocol

• arxiv url: http://arxiv.org/abs/2609.20712v1
• Date: Thu, 17 Sep 2026 17:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.395036
• Title: Summarization Bias: The Directional Collapse of Objective Projection into Told-Mode Labels in Large Language Models --- A Conceptual Framework and Registered Test Protocol
• Title（参考訳）: 要約バイアス: 大規模言語モデルにおけるオブジェクト指向射影のTold-Modeラベルへの方向転換 -- - 概念的フレームワークと登録テストプロトコル
• Abstract要約: 本稿では,要約ラベルとして物語の意味を表現するために,大規模言語モデルの体系的傾向である要約バイアスを導入し,運用する。 LLM-as-judgeのバイアスに対処し、完全な独立した信頼性調査を方向性の証拠として読み上げ、建設が放棄される決定規則による2つの登録試験を事前登録する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces and operationalizes summarization bias: a proposed systematic tendency of large language models (LLMs) to represent narrative meaning as an abstract summary label rather than as the reconstructable inferential structure that produces it. Within the Bulut Doctrine, narrative effect is theorized along a told-shown axis: in told mode, emotional and informational content is declared explicitly and requires little reader reconstruction; in shown mode, that content is suppressed at the surface and must be reconstructed from physical cues and indirection (Objective Projection). Shown mode is the higher-load condition the doctrine is designed to measure. The claim is that LLMs fail along this axis in a specific direction. Summarization bias is hypothesized to operate in two regimes: (i) a generative regime, in which a model asked to render an emotion through Objective Projection defaults to declaring it instead; and (ii) an evaluative regime, in which a model judging narrative quality rewards told-mode explicitness and under-detects shown-mode suppression. The evaluative regime is the more consequential, since LLMs increasingly serve as judges and reward models, and a directional bias toward told mode would impose a selection pressure degrading prose toward flat declaration. This report does not claim the bias is validated. It defines the construct, situates it against LLM-as-judge biases, rereads a completed independent reliability study as directional evidence consistent with it, and pre-registers a two-regime test with decision rules under which the construct would be abandoned.
• Abstract（参考訳）: 本稿では,大言語モデル (LLM) の体系的傾向として,大言語モデル (LLM) の要約バイアスを導入・運用する。 ブリュット・ドクトリンの中では、物語効果は語られる軸に沿って理論化される: 話されるモードでは、感情的および情報的内容は明示的に宣言され、読取者の再構築がほとんど必要とされない; 示されるモードでは、内容は表面で抑制され、物理的手がかりと間接から再構成されなければならない(客観的射影)。 ショーンモードは、ドクトリンが測定するように設計された高負荷条件である。 LLMは特定の方向にこの軸に沿って失敗する。 要約バイアスは2つの体制で機能すると仮定される。 一 客観的投影により感情を表現させるよう求められたモデルが、代わりにそれを宣言することをデフォルトとする生成体制 (二 語りの質を判断するモデルが、明快さと下着を表わす評価体制。) LLMはますます審査員や報酬モデルとして機能し、指示されたモードに対する指向性バイアスは、フラット宣言に対する選択圧力低下散文を課すため、評価体制はより簡潔である。 この報告書はバイアスが検証されていると主張するものではない。 コンストラクトを定義し、LSM-as-judgeバイアスに照準を合わせ、完了した独立した信頼性研究を、それと整合した方向性の証拠として読み上げ、コンストラクトが放棄される決定規則付き2段階の登録試験を事前登録する。

関連論文リスト

• Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
  汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。 本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
  論文  参考訳（メタデータ） (2026-08-15T13:19:25Z)
• Optimizing LLM Annotation of Classroom Discourse through Multi-Agent Orchestration [0.21410799064827235]
  大規模言語モデル(LLM)は、教育データを注釈付けするためのスケーラブルなツールとしてますます位置づけられている。 しかし, シングルパスLCMの出力は, ハイテイクな教育施設では信頼性が低いことが示唆されている。 このスケールと妥当性の緊張は、現代の教育データ科学の核心にある。
  論文  参考訳（メタデータ） (2026-03-08T16:51:03Z)
• When Wording Steers the Evaluation: Framing Bias in LLM judges [23.16746081917015]
  大規模言語モデル(LLM)は、プロンプトのフレーズによって異なる応答を生成することが知られている。 本研究では, 4つの高い評価課題に対して, フレーミングスキューモデルによる判断を意図的に行う方法について検討する。 14人以上の審査員がフレーミングに対する明らかな感受性を観察し、モデルファミリーは合意や拒絶に対して明確な傾向を示した。
  論文  参考訳（メタデータ） (2026-01-20T02:48:10Z)
• Beacon: Single-Turn Diagnosis and Mitigation of Latent Sycophancy in Large Language Models [0.0]
  大きな言語モデルは、真理と曖昧な平らさの間の構造的なトレードオフを内部化する。 この潜伏バイアスは、梅毒(sycophancy)として知られるもので、原則的推論よりもユーザ合意を優先している。 我々は,このバイアスを会話の文脈とは無関係に分離する,単ターン強制選択ベンチマークであるBeaconを紹介した。
  論文  参考訳（メタデータ） (2025-10-19T06:36:57Z)
• D-REX: A Benchmark for Detecting Deceptive Reasoning in Large Language Models [62.83226685925107]
  Deceptive Reasoning Exposure Suite (D-REX)は、モデルの内部推論プロセスと最終的な出力との相違を評価するために設計された、新しいデータセットである。 D-REXの各サンプルには、敵システムプロンプト、エンドユーザーのテストクエリ、モデルの一見無害な応答、そして重要なことに、モデルの内部チェーンが含まれている。 我々は、D-REXが既存のモデルと安全メカニズムに重大な課題をもたらすことを実証した。
  論文  参考訳（メタデータ） (2025-09-22T15:59:40Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Explicit vs. Implicit: Investigating Social Bias in Large Language Models through Self-Reflection [18.625071242029936]
  大規模言語モデル(LLM)は、生成されたコンテンツに様々なバイアスとステレオタイプを示すことが示されている。 本稿では,LLMにおける明示的偏見と暗黙的偏見を調査・比較するための体系的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-01-04T14:08:52Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)

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。