論文の概要: When Scientific Contradictions Are Lost in Translation

• arxiv url: http://arxiv.org/abs/2609.38621v1
• Date: Tue, 29 Sep 2026 22:22:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.800426
• Title: When Scientific Contradictions Are Lost in Translation
• Title（参考訳）: 科学的矛盾が翻訳で失われる時
• Abstract要約: 我々は、満足できないXOR制約システムを生成し、その制約を科学的レポートに翻訳する。 ある代入はより多くの制約を満たす一方、別の代入は期待される生物学に適合するよりも少ないがより良い。 これは単純なジレンマを生み出します – モデルは制約に最も適した代入を選択しますか、あるいは生物学的な期待に合うものを選択しますか?
• 参考スコア（独自算出の注目度）: 0.8793721044482612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Two scientific findings can disagree without contradicting each other. Determining whether they conflict requires knowing whether they describe comparable measurements. We study how language models behave at this decision point. In a controlled task, we generate an unsatisfiable XOR constraint system and translate its constraints into scientific reports from different laboratories. One assignment satisfies more constraints, while another satisfies fewer but better matches expected biology. This creates a simple dilemma: does the model choose the assignment that best fits the constraints, or the one that better matches biological expectations? When the constraints are stated directly, GPT-5.6 Sol and Claude Opus 5 recover the best-supported assignment in 90% and 96% of cases, respectively. In scientific prose, however, the models behave differently. Claude Opus 5 often prefers the biologically expected assignment. Removing that biological preference increases recovery of the better-supported assignment from 27% to 79% (p<.001); recovery reaches 92% when the same Biology-favored record is accompanied by a formalization request and an explicit paired-design cue (p<.001). GPT-5.6 Sol is less sensitive, with neither corresponding change reaching statistical significance. These results suggest that reliable scientific verification depends not only on formal reasoning, but also on how models decide which findings should be compared and what relations they imply.
• Abstract（参考訳）: 2つの科学的発見は互いに矛盾することなく一致することができる。 競合するかどうかを決定するには、同等の測定値を記述するかどうかを知る必要がある。 この決定点において言語モデルがどのように振る舞うかを研究する。 制御タスクでは、満足できないXOR制約システムを生成し、その制約を異なる研究室からの科学的レポートに変換する。 ある代入はより多くの制約を満たす一方、別の代入は期待される生物学に適合するよりも少ないがより良い。 これは単純なジレンマを生み出します – モデルは制約に最も適した代入を選択しますか、あるいは生物学的な期待に合うものを選択しますか? 制約が直接記述されると、GPT-5.6 SolとClaude Opus 5はそれぞれ90%と96%のケースで最も支持された割り当てを回復する。 しかし、科学的な散文では、モデルは異なる振る舞いをする。 クロード・オプス5はしばしば生物学的に予想される割り当てを好む。 生物選好がより良い割り当てのリカバリを27%から79%(p<.001)に増加させることを除去すると、同じ生物選好レコードに形式化要求と明示的なペアデザインキュー(p<.001)が伴うと、リカバリは92%に達する。 GPT-5.6 ソルは感度が低く、どちらの変化も統計的に重要ではない。 これらの結果は、信頼性のある科学的検証は、形式的推論だけでなく、モデルがどの結果とどの関係を示すべきかをどう判断するかにも依存していることを示唆している。

関連論文リスト

• Jev for Scientific Decisions: Evaluating Semantic Choices and Their Consequences [6.739760779260819]
  我々は、Jevを文書化されたガイダンスに従うハーネスを用いて意味決定コンポーネントとして評価し、コードに算術を割り当てる。 この研究は、10の科学ケースに対して、20のソースグラウンドで12のモデル構成を比較し、それぞれ5回繰り返している。
  論文  参考訳（メタデータ） (2026-09-21T17:51:50Z)
• CausaLab: A Scalable Environment for Interactive Causal Discovery Toward AI Scientists [28.253879252786632]
  LLMエージェントによる対話的因果発見を評価するスケーラブルな環境であるCausaLabを紹介する。 以前の評価とは異なり、CausaLabは、エージェントが因果的証拠を用いて問題を解くことができるかどうか、そしてその答えが忠実に回復された因果的メカニズムに根ざされているかどうかを評価している。
  論文  参考訳（メタデータ） (2026-05-25T16:57:06Z)
• Knowing When Not to Answer: Abstention-Aware Scientific Reasoning [2.680633756465714]
  科学的条件下では、支持または不確実な結論は、棄権するよりも有害である。 本稿では,この問題に対して,留意点を考慮した検証フレームワークを用いて検討する。 我々はこのフレームワークをSciFactとPubMedQAの2つの科学的ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-02-15T15:29:43Z)
• Context-Aware Reasoning On Parametric Knowledge for Inferring Causal Variables [49.31233968546582]
  本稿では,部分因果グラフの完成を目的とした新しいベンチマークを提案する。 原因と効果の間のバックドア変数を仮説化するLLMの強い能力を示す。 固定された関連性の単純な記憶とは異なり、我々のタスクはグラフ全体のコンテキストに応じてLCMを推論する必要がある。
  論文  参考訳（メタデータ） (2024-09-04T10:37:44Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Confidence-Based Model Selection: When to Take Shortcuts for Subpopulation Shifts [119.22672589020394]
  モデル信頼度がモデル選択を効果的に導くことができるConfidence-based Model Selection (CosMoS)を提案する。 我々はCosMoSを,データ分散シフトのレベルが異なる複数のテストセットを持つ4つのデータセットで評価した。
  論文  参考訳（メタデータ） (2023-06-19T18:48:15Z)
• How to select predictive models for causal inference? [0.0]
  従来の機械学習モデル選択は因果推論の最良の結果モデルを選択しないことを示す。 Rtext-risk$, フレキシブルな推定器を用いて列車集合上のニュアンスモデルを計算する。
  論文  参考訳（メタデータ） (2023-02-01T10:58:55Z)
• An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
  最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。 最適化からの収束率を用いた原因影響SCMの適応速度について検討する。 驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
  論文  参考訳（メタデータ） (2020-05-18T23:48:56Z)

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。