論文の概要: Benchmarking Argumentative Behaviour of LLMs: A Study of Defences Against Character Attacks

• arxiv url: http://arxiv.org/abs/2609.28673v1
• Date: Wed, 23 Sep 2026 18:14:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.485771
• Title: Benchmarking Argumentative Behaviour of LLMs: A Study of Defences Against Character Attacks
• Title（参考訳）: LLMの検定的行動 : キャラクタ攻撃に対する防御に関する研究
• Abstract要約: 大規模言語モデル(LLM)は、説得的対話において議論的エージェントとしてますます多くデプロイされている。 我々は,政治的説得的対話において重要な役割を担っている,伝統的に誤認として否定されたキャラクター攻撃(統括的議論)に焦点を当てる。 我々は、自然言語による政治的対話のコーパスを分析し、人間の介入者が自然に民族中心の議論で採用する防衛戦略を特定し、それらを対話ゲームに構造化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are increasingly deployed as argumentative agents in persuasive dialogues, necessitating rigorous evaluation of their debating competence relative to human interlocutors. In this study, we focus on character attacks (ad hominem arguments), traditionally dismissed as fallacies, which play a pivotal role in political persuasive dialogues where ethos often rivals propositional content. Specifically, we investigate whether modern LLMs can replicate human competence to strategically use and respond to such attacks. We analyse a corpus of natural language political dialogues to identify defensive strategies human interlocutors naturally employ in ethos-centred debates and structure them into a dialogue game. Empirically, we benchmark LLM-generated dialogues against the ElecDeb60to16-fallacy corpus of U.S. presidential debates, contrasting human debaters' repertoire of defensive strategies with those of artificial agents. Results reveal a substantial difference: most LLMs rigidly prioritise logical defences, failing to exploit ethotic counterattacks as valid moves in political discourse. We argue that current safety fine-tuning constraints the strategic action space of these LLMs, making them unable to fully engage in naturalistic interactions within domains where character contestation is a normative expectation rather than a mere fallacy.
• Abstract（参考訳）: 大規模言語モデル (LLM) は説得的対話における議論的エージェントとして, 人間の対話者に対する議論能力の厳格な評価を必要としている。 本研究では、伝統的に誤認として否定されるキャラクター攻撃(アドホマイム論)に焦点を当て、エソスはしばしば命題的内容と競合する政治的説得的対話において重要な役割を担っている。 具体的には、現代のLLMが人間の能力を再現して戦略的に利用し、そのような攻撃に応答できるかどうかを検討する。 我々は、自然言語による政治的対話のコーパスを分析し、人間の介入者が自然に民族中心の議論で採用する防衛戦略を特定し、それらを対話ゲームに構造化する。 実証的に、我々は、米国の大統領討論会のElecDeb60to16-fallacy corpusに対するLCM生成の対話をベンチマークし、人間の討論者が防衛戦略を人工エージェントのそれと比較した。 ほとんどのLLMは論理的防衛を厳格に優先し、政治的言論の有効な動きとして民族主義的な反撃を利用できなかった。 現在の安全性の微調整は、これらのLSMの戦略行動空間を制約しているため、文字の競合が単なる誤りではなく規範的な期待である領域内での自然主義的相互作用に完全に関与することができない、と我々は主張する。

関連論文リスト

• Evaluating the Capabilities of LLMs for Persuasive Dialogue [3.3571381688392488]
  大きな言語モデル (LLMs) は明らかに説得力のあるテキストを生成することができるが、説得力のある発音は議論をうまく行うことを意味するのだろうか? 我々は,多言語対話プラットフォームであるtextscPersuasio を紹介した。 このシステムを用いて、英国における人間とLLMの政治的話題に関する192の議論を発生させ、自動判断と9,702人のクラウドソースによるペアの判断を通じて、22人のインターロケータを評価した。
  論文  参考訳（メタデータ） (2026-08-30T12:03:59Z)
• Spontaneous Persuasion: An Audit of Model Persuasiveness in Everyday Conversations [0.2621730497733947]
  大規模言語モデル(LLM)は、頭と頭の比較において人間を上回る強い説得力を持つ。 事前の作業は、最も効果的な議論や説得力のある声明を生み出す意図的な試みとして説得を測る。 我々は,必ずしも説得が保証されない日常のシナリオにおいて,説得戦略の過激な使用を特徴付ける「自発的説得」を紹介した。
  論文  参考訳（メタデータ） (2026-04-23T23:01:38Z)
• SAD: A Large-Scale Strategic Argumentative Dialogue Dataset [60.33125467375306]
  実際には、議論はしばしばマルチターン対話として実現される。 大規模なtextbfStrategic textbfArgumentative textbfDialogue データセットは,392,822例からなる。
  論文  参考訳（メタデータ） (2026-01-12T11:11:37Z)
• The Thin Line Between Comprehension and Persuasion in LLMs [0.0]
  大規模言語モデル(LLM)は高レベルで説得力のある対話を維持するのに優れている。 私たちは、この能力が話されていることに対する理解にどのように関係しているかを測定します。 LLMは一貫性のある説得力のある議論を維持でき、しばしば参加者や聴衆の信念を揺さぶる。
  論文  参考訳（メタデータ） (2025-07-02T17:46:56Z)
• Arbiters of Ambivalence: Challenges of Using LLMs in No-Consensus Tasks [52.098988739649705]
  本研究では, LLMのバイアスと限界について, 応答生成器, 判定器, 討論器の3つの役割について検討した。 我々は、様々な先行的曖昧なシナリオを含む例をキュレートすることで、合意なしのベンチマークを開発する。 以上の結果から, LLMは, オープンエンドの回答を生成する際に, 曖昧な評価を行うことができる一方で, 審査員や討論者として採用する場合は, 合意なしのトピックにスタンスを取る傾向が示唆された。
  論文  参考訳（メタデータ） (2025-05-28T01:31:54Z)
• Exploring the Jungle of Bias: Political Bias Attribution in Language Models via Dependency Analysis [86.49858739347412]
  大規模言語モデル(LLM)は、これらのモデルにおけるバイアスの頻度とその緩和に関する激しい議論を引き起こしている。 本稿では,意思決定プロセスに寄与する属性の抽出と仲介を行うためのプロンプトベースの手法を提案する。 観察された異なる治療は、少なくとも部分的には、属性の相違とモデルの相違によるものであることが判明した。
  論文  参考訳（メタデータ） (2023-11-15T00:02:25Z)
• BotChat: Evaluating LLMs' Capabilities of Having Multi-Turn Dialogues [72.65163468440434]
  本報告では,人間型マルチターンチャットのための既存大規模言語モデルの予備的評価を行う。 そこで我々は,ChatSEEDに基づくマルチターン対話を発話によって生成する大規模言語モデル(LLM)を提案する。 GPT-4は優れた品質の人型多元対話を生成できるが、その性能は著しく上回っている。
  論文  参考訳（メタデータ） (2023-10-20T16:53:51Z)
• Prompting and Evaluating Large Language Models for Proactive Dialogues: Clarification, Target-guided, and Non-collaboration [72.04629217161656]
  本研究は, 明瞭化, 目標誘導, 非協調対話の3つの側面に焦点をあてる。 LLMの能動性を高めるために,プロアクティブ・チェーン・オブ・ソート・プロンプト方式を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:49:35Z)

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。