論文の概要: SCBO: Semantically Coherent Batching and Ordering for LLM-Based Social Surveys

• arxiv url: http://arxiv.org/abs/2609.35250v1
• Date: Mon, 28 Sep 2026 14:17:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 07:13:56.338379
• Title: SCBO: Semantically Coherent Batching and Ordering for LLM-Based Social Surveys
• Title（参考訳）: SCBO : LLMに基づく社会調査におけるセマンティック・コヒーレント・バッチと順序付け
• Abstract要約: 本稿では,複数の質問を1つのプロンプトで予測する学習自由フレームワークを提案する。 コヒーレントなバッチを作成し、共有参照を選択し、質問と参照を効果的に注文する。 4つの大規模調査データセットと4つの大規模言語モデルの実験により、SCBOはトークンの消費と推論時間を著しく削減することが示された。
• 参考スコア（独自算出の注目度）: 8.783198070229766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) offer a scalable way to simulate survey respondents using demographic profiles and observed reference responses. However, the conventional approach of predicting one question per prompt repeatedly encodes the same context, limits each target to a narrow set of reference responses, and prevents later predictions from using information in earlier answers. Predicting multiple questions in one prompt can reduce these costs, share a broader pool of references, and let later predictions build on earlier ones. This requires forming coherent batches, selecting shared references, and ordering questions and references effectively. We propose Semantically Coherent Batching and Ordering (SCBO), a training-free framework that addresses these challenges. SCBO first uses an LLM to extract compact semantic representations from survey items and filter out template noise. It then groups related questions into batches and builds a shared reference bank using target-specific retrieval and centroid-based completion. Finally, it orders target questions from easy to hard and arranges references according to their semantic alignment with those questions. Experiments on four large-scale survey datasets and four LLMs show that SCBO substantially reduces token consumption and inference time while generally improving prediction accuracy over a non-batched baseline. Code is available at https://anonymous.4open.science/r/SCBO-41D8.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、人口統計プロファイルと観察された参照応答を使用して、調査回答者をシミュレートするスケーラブルな方法を提供する。 しかし,従来の手法では,1問ずつ1問ずつ同じコンテキストをエンコードし,各ターゲットを参照応答の狭いセットに制限し,後続の予測が早期回答の情報を使用するのを防ぐ。 ひとつのプロンプトで複数の質問を予測することで、これらのコストを削減し、より広範な参照プールを共有し、後の予測を以前のものの上に構築することが可能になる。 これはコヒーレントなバッチの作成、共有参照の選択、質問と参照の順序付けを効果的に行う必要がある。 本稿では,これらの課題に対処するトレーニングフリーフレームワークであるSemantically Coherent Batching and Ordering (SCBO)を提案する。 SCBOはまずLLMを使用して、調査項目からコンパクトな意味表現を抽出し、テンプレートノイズをフィルタリングする。 その後、関連する質問をバッチにまとめて、ターゲット固有の検索とセントロイドベースの補完を使用して、共有リファレンスバンクを構築する。 最後に、ターゲットの質問を簡単からハードに注文し、それらの質問とセマンティックアライメントに従って参照をアレンジする。 4つの大規模調査データセットと4つのLCM実験により、SCBOはトークンの消費と推論時間を著しく削減し、非バッチベースラインでの予測精度を全般的に改善することを示した。 コードはhttps://anonymous.4open.science/r/SCBO-41D8で公開されている。

関連論文リスト

• Efficient Sequential Evaluation of Large Language Models [10.520659921457629]
  本研究では,過去のパフォーマンスデータを用いた固定質問セットに基づいて,新たな大規模言語モデル(LLM)を逐次評価する問題について検討する。 我々のゴールは,モデルの信頼性シーケンス(CS)を構築し,CS幅をできるだけ早く縮小するアクティブクエリルールを設計することである。
  論文  参考訳（メタデータ） (2026-07-19T21:01:34Z)
• TopBench: A Benchmark for Implicit Prediction and Reasoning over Tabular Question Answering [80.93487993878836]
  現実世界のクエリの一般的なクラスは暗黙的に予測され、単に検索するのではなく、歴史的パターンから観測されていない回答を推測する必要がある。 これらのクエリには、潜在意図を認識することと、大規模テーブル上での信頼性の高い予測推論という2つの課題がある。 単点予測から意思決定,処理効果分析,複雑な推論に至るまで,4つのサブタスクにわたる779のサンプルからなるベンチマークであるTopBenchを紹介する。
  論文  参考訳（メタデータ） (2026-04-30T16:22:51Z)
• Threading the Needle: Reweaving Chain-of-Thought Reasoning to Explain Human Label Variation [60.18907916989796]
  大規模言語モデル(LLM)は最終答を出す前に思考の連鎖(CoT)を生成する。 本稿では,各回答オプションに対するサポート文と反対文を抽出するために,言語的に接頭した談話セグメンタを付加した新しいパイプラインを提案する。 また、正確なスコアよりも回答のランクを優先するランクベースHLV評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-29T11:47:18Z)
• Evaluating and Mitigating Social Bias for Large Language Models in Open-ended Settings [18.318232025355524]
  既存のデータセットBBQをOpen-BBQに拡張し、オープンエンド環境でのLCMの社会的バイアスを評価する。 文や段落をラベル付けすることで,オープンなコンテンツからバイアスを検出する評価手法を開発した。 この問題を解決するために、構造化例と明示的な連鎖推論を組み合わせたICL法であるComposite Promptingを提案する。
  論文  参考訳（メタデータ） (2024-12-09T01:29:47Z)
• From Distributional to Overton Pluralism: Investigating Large Language Model Alignment [82.99849359892112]
  適応後の応答多様性の低下を以前報告した再検査を行った。 分析の結果,応答の多様性の明らかな低下は,品質管理と情報集約によって大きく説明できることがわかった。 発見は、現在のアライメント技術はキャプチャーされるが、アシスタントライクなベースLLM動作の有用なサブセットを拡張するものではないことを示している。
  論文  参考訳（メタデータ） (2024-06-25T16:32:33Z)
• Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
  複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。 この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。 そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T17:44:56Z)
• Learning to Rank Utterances for Query-Focused Meeting Summarization [0.7868449549351486]
  発話のランク付けのためのランダージェネレータフレームワークを提案する。 発話のランク付け学習は,クエリに関連する発話を効果的に選択する上で有効であることを示す。 QMSumの実験結果から,提案モデルはパラメータが少ない既存の多段階モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-22T06:25:09Z)
• ClarQ: A large-scale and diverse dataset for Clarification Question Generation [67.1162903046619]
  そこで我々は,スタックエクスチェンジから抽出したポストコメンデーションに基づいて,多様な,大規模な明確化質問データセットの作成を支援する,新しいブートストラップフレームワークを考案した。 質問応答の下流タスクに適用することで,新たに作成したデータセットの有用性を定量的に示す。 我々はこのデータセットを公開し、ダイアログと質問応答システムの拡張という大きな目標を掲げて、質問生成の分野の研究を促進する。
  論文  参考訳（メタデータ） (2020-06-10T17:56:50Z)

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。