論文の概要: Fair Like Us? Auditing LLM Alignment in Resource Allocation

• arxiv url: http://arxiv.org/abs/2609.29692v1
• Date: Mon, 31 Aug 2026 02:24:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.110218
• Title: Fair Like Us? Auditing LLM Alignment in Resource Allocation
• Title（参考訳）: 資源配分におけるLCMアライメントの検証
• Abstract要約: 本研究では,広範囲のモデルを対象とした一対一の公正判断について検討し,一致したシナリオやエレクテーション条件における人間の反応と直接比較する。 LLMは、人間よりも厳密な公正性制約を好む傾向があり、より利己的な行動を示し、情報のフレーム化に敏感であり、現在のデータセットとの微調整による人間の判断と整合が難しい。
• 参考スコア（独自算出の注目度）: 31.25282273610928
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fair allocation of scarce, indivisible resources is an important challenge in many societal problems. While there are several formal theories of fairness, no single definition can always be satisfied. As large language models (LLMs) are increasingly used to support decisions and act as agents, they raise new concerns about distributional justice: their judgments are not directly tied to any specific fairness framework and may violate key normative principles. In this work, we introduce a general method for evaluating fairness reasoning in LLMs. We study first-person fairness judgments across a broad set of models and compare them directly with human responses on matched scenarios and elicitation conditions. We find that LLMs tend to prefer stricter fairness constraints than humans, show more self-interested behavior, are sensitive to how information is framed, and are difficult to align with human judgments using fine-tuning with current datasets.
• Abstract（参考訳）: 希少で分断不可能な資源の公平な割り当ては多くの社会問題において重要な課題である。 公正性の形式的な理論はいくつかあるが、常に一つの定義を満たすことはできない。 大きな言語モデル(LLM)は意思決定を支援し、エージェントとして振る舞うのにますます使われているため、分配的正義に対する新たな懸念を提起する。 本研究では,LLMにおける公平性推論の一般的な手法を提案する。 本研究では,広範囲のモデルを対象とした一対一の公正判断について検討し,一致したシナリオやエレクテーション条件における人間の反応と直接比較する。 LLMは、人間よりも厳密な公正性制約を好む傾向があり、より利己的な行動を示し、情報のフレーム化に敏感であり、現在のデータセットとの微調整による人間の判断と整合が難しい。

関連論文リスト

• Blind to the Human Touch: Overlap Bias in LLM-Based Summary Evaluation [89.52571224447111]
  大規模言語モデル(LLM)の判断は、要約のようなタスクのために、伝統的なアルゴリズムベースのメトリクスと併用されることが多い。 要約領域における人書き応答と重なる関数としてLLM判定バイアス分析を提案する。
  論文  参考訳（メタデータ） (2026-02-07T19:39:28Z)
• HALF: Harm-Aware LLM Fairness Evaluation Aligned with Deployment [52.374772443536045]
  HALF(Harm-Aware LLM Fairness)は、現実的なアプリケーションにおけるモデルバイアスを評価し、有害度によって結果を評価するフレームワークである。 HALFは、以前のベンチマークの成功とデプロイメントの準備の整合性の間に明らかなギャップがあることを示します。
  論文  参考訳（メタデータ） (2025-10-14T07:13:26Z)
• Street-Level AI: Are Large Language Models Ready for Real-World Judgments? [10.76443470676701]
  直近でおそらくはAIは、いわゆるストリートレベルの官僚を支援するか、完全に置き換えることである。 本稿では,LLM判定が人間の判断とどのように一致しているかを検討する。 LLMの優先順位付けは、いくつかの点で非常に矛盾している。
  論文  参考訳（メタデータ） (2025-08-11T17:12:55Z)
• LLMs on Trial: Evaluating Judicial Fairness for Large Language Models [18.895994052898754]
  大規模言語モデル(LLM)は、その決定が権利や株式に影響を及ぼすハイテイク分野において、ますます使われている。 LLMsの司法公正性と社会正義への含意はいまだに過小評価されている。 LLMの公平度を測定するための総合的なフレームワークを構築し、65ラベルと161の値が選択される。 この枠組みを司法システムに適用し、177,100のユニークな事例事実からなる広範なデータセットJudiFairをコンパイルする。
  論文  参考訳（メタデータ） (2025-07-14T22:56:58Z)
• 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)
• Distributive Fairness in Large Language Models: Evaluating Alignment with Human Values [13.798198972161657]
  多くの社会的問題は資源の分配に関係しており、公平さと経済効率は結果の望ましさにおいて重要な役割を担っている。 本稿では,大規模言語モデル (LLM) が基本的公平性の概念に準拠しているかどうかを考察し,人間の嗜好との整合性について検討する。
  論文  参考訳（メタデータ） (2025-02-01T04:24:47Z)
• The Impossibility of Fair LLMs [17.812295963158714]
  さまざまな技術的公正フレームワークを分析し、公正な言語モデルの開発を難易度の高いものにするために、それぞれに固有の課題を見つけます。 それぞれのフレームワークが汎用的なAIコンテキストに拡張されないか、実際には実現不可能であることを示す。 これらの固有の課題は、LLMを含む汎用AIにおいて、限られた参加入力や限られた測定方法といった経験的な課題が克服されたとしても、持続する。
  論文  参考訳（メタデータ） (2024-05-28T04:36:15Z)
• 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)

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。