論文の概要: One Model Is Not a Crowd: Multi-LLM and Aspect-Conditioned Diverse Comment Generation

• arxiv url: http://arxiv.org/abs/2609.33666v1
• Date: Sun, 27 Sep 2026 15:25:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:55:29.107177
• Title: One Model Is Not a Crowd: Multi-LLM and Aspect-Conditioned Diverse Comment Generation
• Title（参考訳）: 1つのモデルは群衆ではない:マルチLLMとアスペクト・コンディション付き多元的コメント生成
• Abstract要約: 合成コメントスレッドが人間の言論に固有の多様性を捉えることができるかどうかを考察する。 複数の人間集団とアスペクト駆動型談話の性質に触発されて、複数のLCMとアスペクト条件生成を組み合わせることにより、コメントの多様性がよりよく近似できるという仮説を立てた。 その結果,マルチLLMとアスペクト条件付き生成は人間のコメント分布とよく一致していることがわかった。
• 参考スコア（独自算出の注目度）: 12.772262373464146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human communication on the internet is shaped by diverse perspectives, most visibly expressed in online comment spaces. As large language model (LLM)based AI agents begin to inhabit these spaces, a key question arises: whether synthetic comment threads can capture the diversity inherent in human discourse. This concern is increasingly important, as the growing presence of homogenized AI-generated content risks reducing diversity over time, potentially leading to model collapse and degrading the richness of digital communication. Inspired by the plurality of human crowds and the aspect-driven nature of discourse, we hypothesize that comment diversity is better approximated by combining multiple LLMs with aspect-conditioned generation. We formalize and evaluate this approach using models from different providers and introduce a framework that characterizes diversity across semantic, linguistic, and socio-pragmatic features along three axes: dispersion, coverage, and alignment. Using this framework, we conduct a large-scale study on over 2 million YouTube comments across multiple domains. Our results reveal that multi-LLM and aspect-conditioned generation better align with human comment distributions and such data remains viable under pretraining style curation and is effective for downstream tasks. Yet, human diversity remains unmatched. Overall, our findings provide a practical foundation for generating more diverse and socially grounded discourse in AI-mediated environments.
• Abstract（参考訳）: インターネット上の人間のコミュニケーションは様々な視点で形成されており、最も視覚的にオンラインのコメントスペースで表現されている。 大規模言語モデル(LLM)ベースのAIエージェントがこれらの空間に居住し始めると、合成コメントスレッドが人間の言論に固有の多様性を捉えることができるかどうかという重要な疑問が生じる。 この懸念は、均質化されたAI生成コンテンツの存在の増加によって、時間とともに多様性が低下し、モデルが崩壊し、デジタルコミュニケーションの豊かさが低下する可能性があるため、ますます重要になっている。 複数の人間集団とアスペクト駆動型談話の性質に触発されて、複数のLCMとアスペクト条件生成を組み合わせることにより、コメントの多様性がよりよく近似できるという仮説を立てた。 我々は、異なるプロバイダのモデルを用いてこのアプローチを形式化し、評価し、分散、カバレッジ、アライメントという3つの軸に沿った意味的、言語的、社会的な特徴の多様性を特徴付けるフレームワークを導入する。 このフレームワークを用いて、複数のドメインにまたがる200万以上のYouTubeコメントを大規模に調査する。 以上の結果から,マルチLLMとアスペクト条件生成は人間のコメント分布と整合性が高く,事前学習スタイルのキュレーションの下でも有効であり,下流作業に有効であることが判明した。 しかし、人間の多様性は相変わらず残されている。 全体として、私たちの発見は、AIを介する環境において、より多様で社会的に根ざした談話を生み出すための実践的な基盤を提供する。

関連論文リスト

• Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond) [90.45301024940329]
  言語モデル(LM)は、多様で人間らしい創造的コンテンツを生成するのに苦労することが多い。 Infinity-Chatは26万の多様な実世界のオープンエンドユーザクエリからなる大規模データセットである。 本研究では, LMのモード崩壊について大規模に検討し, 人工Hivemind効果が明らかとなった。
  論文  参考訳（メタデータ） (2025-10-27T03:16:21Z)
• Evaluating the Diversity and Quality of LLM Generated Content [72.84945252821908]
  品質閾値を満たす出力間の効果的な意味的多様性を測定するための枠組みを導入する。 嗜好調整モデルでは語彙的および構文的多様性が低下するが、SFTやベースモデルよりも効果的な意味的多様性が得られる。 これらの発見は、多種多様な高品質な出力を必要とするアプリケーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2025-04-16T23:02:23Z)
• Autonomous AI imitators increase diversity in homogeneous information ecosystems [0.0]
  大規模言語モデル(LLM)の最近のブレークスルーは、人間が生成したコンテンツを模倣できる自律型AIエージェントを促進している。 本稿では,ニュースにおけるAIによる模倣を検証するための大規模シミュレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-20T10:37:29Z)
• One fish, two fish, but not the whole sea: Alignment reduces language models' conceptual diversity [2.5975241792179378]
  研究者は大規模言語モデル(LLM)を人間の行動研究の代替として使用することを提案した。 トレーニング後のアライメント(RLHFまたはRLAIF)がモデルの内部多様性に影響を及ぼすかどうかが議論されている。 我々は、シミュレーションされた個体の内部変動と集団レベルの変動を関連づけることで、合成合成LLMの「人口」の概念的多様性を測定する新しい方法を用いる。
  論文  参考訳（メタデータ） (2024-11-07T04:38:58Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。 データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。 厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)
• How Far Can We Extract Diverse Perspectives from Large Language Models? [16.16678226707335]
  大規模言語モデル(LLM)が主観的トピックに対する多様な視点を生成できることを示す。 本稿では,様々な意見の根拠となる基準に基づくプロンプト手法を提案する。 本手法は,タスク主観性の度合いに応じて,LLMが多種多様な意見を生成可能であることを示す。
  論文  参考訳（メタデータ） (2023-11-16T11:23:38Z)
• MGD-GAN: Text-to-Pedestrian generation through Multi-Grained Discrimination [96.91091607251526]
  本稿では, 人的部分に基づく識別器と自己対応型識別器を併用した多点識別拡張生成適応ネットワークを提案する。 HPDモジュールには、多彩な外観と鮮明な詳細を強制するために、きめ細かい単語レベルの注意機構が採用されている。 様々な測定値に対する大幅な改善は、MGD-GANがテキストからペデストリアン合成シナリオに有効であることを示す。
  論文  参考訳（メタデータ） (2020-10-02T12:24:48Z)

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。