論文の概要: Large Language Models Substantially Compress Well-Being Inequality but Largely Preserve Its Socioeconomic Structure
- arxiv url: http://arxiv.org/abs/2609.33055v1
- Date: Sun, 27 Sep 2026 00:37:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 10:51:03.843495
- Title: Large Language Models Substantially Compress Well-Being Inequality but Largely Preserve Its Socioeconomic Structure
- Title（参考訳）: 大規模言語モデルでは, 健全な不平等を減弱するが, 社会経済構造を大規模に保存する
- Abstract要約: 大規模言語モデル(LLM)を用いて合成集団を生成する研究は、モデル出力が人間の経験の多様性を圧縮することを示した。
このような圧縮は、必ずしも人間の不均一性の社会的構造を消去するとは限らない。
世界価値調査第7波の66カ国・地域の93,901人の回答者を用いて、人口統計学、社会経済学、縦断的プロファイルから、回答者の生活満足度を予測する6つのLSMを依頼した。
いずれのモデルも、生活満足度の全体的分散をかなり下支えしているが、これらの差分を正規化した後は、不平等な状態における人間の所得の勾配をほぼ再現した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Research using large language models (LLMs) to generate synthetic populations has repeatedly shown that model outputs compress the diversity of human experience. This has raised doubts about whether LLM-generated data can capture meaningful differences within populations. We show that such compression does not necessarily erase the social structure of human heterogeneity. Using 93,901 respondents from 66 countries and territories in Wave 7 of the World Values Survey, we ask six LLMs to predict respondents' life satisfaction from demographic, socioeconomic, and attitudinal profiles. All six models substantially understate the overall dispersion of life satisfaction. Yet after normalizing for these differences in scale, they largely reproduce the human income gradient in well-being inequality: lower-income groups remain relatively more heterogeneous than higher-income groups. The pattern is robust to country fixed effects, equal-country weighting, WVS survey weights, and observed demographic composition, and it extends directionally to employment, education, and perceived control. Fidelity is weaker for extreme outcomes and country-specific gradients. These results show that the amount of heterogeneity preserved by an LLM and the way that heterogeneity is distributed across social groups are distinct properties. LLM-generated populations can therefore substantially compress human variation while retaining meaningful information about where that variation is concentrated.
- Abstract（参考訳）: 大規模言語モデル(LLM)を用いて合成集団を生成する研究は、モデル出力が人間の経験の多様性を圧縮することを示した。
このことは、LSMが生成したデータが人口間で有意義な差異を捉えることができるかどうかに疑問を呈している。
このような圧縮は、必ずしも人間の不均一性の社会的構造を消去するとは限らない。
世界価値調査第7波の66カ国・地域の93,901人の回答者を用いて、人口統計学、社会経済学、縦断的プロファイルから、回答者の生活満足度を予測する6つのLSMを依頼した。
6つのモデルは全て、生活満足度の全体的分散をかなり下支えしている。
しかし、これらの規模の違いを正規化した後、彼らは幸福な不平等における人間の所得勾配をほとんど再現した:低所得グループは高所得グループよりも比較的異質である。
このパターンは、国の固定効果、均等郡重み付け、WVS調査重み付け、および観察された人口構成に頑健であり、雇用、教育、そして知覚的なコントロールに方向性を拡大する。
フィデリティは、極端な結果と国固有の勾配に対して弱い。
これらの結果は、LLMが保存する不均一性の量と、不均一性が社会集団に分散される方法が異なる性質であることを示している。
したがって、LSMが生成する個体群は、その変異がどこに集中しているかについての有意義な情報を保持しながら、人間の変異を著しく圧縮することができる。
関連論文リスト
- Can Persona-Prompted LLMs Emulate Subgroup Values? An Empirical Analysis of Generalisability and Fairness in Cultural Alignment [75.88231994139132]
GPT-4.1のような最先端モデルでさえ、モーダル選好を予測する精度は57.4%に過ぎなかった。
モデルでは、若者、男性、中国人、キリスト教のペルソナをよりうまくエミュレートする。
論文 参考訳（メタデータ） (2026-04-14T15:06:13Z) - Demographic Probing of Large Language Models Lacks Construct Validity [16.29607362682272]
大規模言語モデルが人口統計特性にどのように適応するかを考察する。
このアプローチは通常、グループメンバーシップのシグナルとして、分離された単一の人口統計学的キューを使用する。
その結果、同じ人口集団を表現するための手がかりは、モデル行動に部分的に重なる変化しか生じないことがわかった。
論文 参考訳（メタデータ） (2026-01-26T13:41:35Z) - ACE-Align: Attribute Causal Effect Alignment for Cultural Values under Varying Persona Granularities [76.52901967874622]
本稿では、人口統計特性が異なる文化的価値をどうシフトするかを整合させる因果効果フレームワークであるACE-Alignを提案する。
すべてのペルソナの粒度において、ACE-Alignはベースラインを一貫して上回る。
高リソース領域と低リソース領域の間の平均アライメントギャップを9.81から4.92ポイントに減らし、地理的エクイティを改善している。
論文 参考訳（メタデータ） (2026-01-19T11:18:25Z) - Effectiveness of Large Language Models in Simulating Regional Psychological Structures: An Empirical Examination of Personality and Subjective Well-being [0.0]
本研究では, LLMが人口統計情報に基づいて, 文化的根拠を持つ心理的パターンをシミュレートできるかどうかを検討する。
模擬参加者は、外転や開放性が低下し、同意性や神経症が向上し、常に幸福度が低下した。
論文 参考訳（メタデータ） (2025-09-29T09:12:18Z) - Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。
モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。
多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
論文 参考訳（メタデータ） (2025-05-26T16:05:10Z) - MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。
MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。
IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
論文 参考訳（メタデータ） (2025-04-30T12:41:51Z) - Fairness in LLM-Generated Surveys [0.5720786928479238]
大規模言語モデル(LLM)は、特に社会・政治・経済のパターンをシミュレートするテキスト生成と理解において優れている。
本研究は,チリと米国からの公的調査を分析した結果,LLMが多種多様な個体群でどのように機能するかを検討した。
政治的アイデンティティと人種は予測精度に大きな影響を与え、チリではジェンダー、教育、宗教関係はより顕著な役割を担っている。
論文 参考訳（メタデータ） (2025-01-25T23:42:20Z) - Small Changes, Large Consequences: Analyzing the Allocational Fairness of LLMs in Hiring Contexts [19.20592062296075]
大規模言語モデル(LLM)は、採用のような高度なアプリケーションにますますデプロイされている。
本研究は、実際の人事利用を反映した2つのタスクを通して、LLMベースの採用システムの割当公平性を検討する。
論文 参考訳（メタデータ） (2025-01-08T07:28:10Z) - ChatGPT vs Social Surveys: Probing Objective and Subjective Silicon Population [7.281887764378982]
大規模言語モデル(LLM)は、社会調査における人間の反応をシミュレートし、信頼できる予測を生成する可能性を秘めている。
GPTにより生成したシリコン試料の集団パラメータを同定するサンプリング分布を生成するために,繰り返しサンプリングを用いる。
以上の結果から、GPTの人口分布は、性別と平均年齢の点で、2020年の米国人口と一致していることがわかった。
GPTの立位スコアの点推定は極めて矛盾しており、特定のイデオロギーに対する明確な傾きを示していない。
論文 参考訳（メタデータ） (2024-09-04T10:33:37Z) - Large Language Models are Geographically Biased [47.88767211956144]
我々は、地理のレンズを通して、我々の住む世界について、Large Language Models (LLM)が何を知っているかを研究する。
我々は,地理空間予測において,システム的誤りと定義する,様々な問題的地理的バイアスを示す。
論文 参考訳（メタデータ） (2024-02-05T02:32:09Z) - 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)
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。