論文の概要: Who Owns That? Evaluating Ownership Intuitions in Large Language Models

• arxiv url: http://arxiv.org/abs/2609.39483v1
• Date: Wed, 30 Sep 2026 10:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.58907
• Title: Who Owns That? Evaluating Ownership Intuitions in Large Language Models
• Title（参考訳）: 誰がそれを所有しているのか? 大規模言語モデルにおけるオーナシップの直観を評価する
• Abstract要約: 競合するクレームの下での言語モデルのオーナシップがどの程度大きいかは、まだ不明だ。 コンペティング・オーナシップ・アトリビューション・タスク(COAT)は42のシナリオで構成され,24のLLM構成によるオーナシップ割り当てと108人の参加者のオーナシップアロケーションを比較した。 全体として、人間-モデル類似性は人間-人間類似性に近いが、モデルはその所有権判断においてより均一性を示す。
• 参考スコア（独自算出の注目度）: 8.889185547955373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ownership establishes rights over the use, control, and transfer of objects. Understanding these relations is essential for AI systems to interact appropriately with people and their resources. Yet how large language models (LLMs) attribute ownership under competing claims remains unclear. We introduce the Competing Ownership Attribution Task (COAT), comprising 42 scenarios, and compare ownership allocations from 24 LLM configurations with those of 108 human participants. Overall, human-model similarity is close to human-human similarity, but models show greater homogeneity in their ownership judgments. Within individual answers, models also divide ownership more evenly among claimants than humans do. Pooling responses across model configurations reveals more scenarios with a shared judgment and fewer with distinct viewpoint groups than in humans. When humans form distinct groups, models may converge on one viewpoint or between competing viewpoints. Further comparisons reveal different contextual sensitivities. As material value increases across scenarios, allocations to creators decline less sharply in models than in humans. Across scenarios differing in public recognition of later holders as owners, allocations to these holders increase in models but decrease slightly in humans. Together, these findings suggest that the evaluated LLM responses do not fully capture the diversity of participants' ownership judgments or how those judgments vary across situations. Developing socially capable AI therefore requires moving beyond overall similarity to capture the diversity and context dependence of human judgments.
• Abstract（参考訳）: 所有権は、オブジェクトの使用、制御、転送に関する権利を確立する。 これらの関係を理解することは、AIシステムが人々とそのリソースと適切に対話するために不可欠である。 しかし、大きな言語モデル(LLM)が、競合するクレームの下でのオーナシップをどう評価するかは不明だ。 コンペティング・オーナシップ・アトリビューション・タスク(COAT)は42のシナリオで構成され,24のLLM構成によるオーナシップ割り当てと108人の参加者のオーナシップアロケーションを比較した。 全体として、人間-モデル類似性は人間-人間類似性に近いが、モデルはその所有権判断においてより均一性を示す。 個々の回答の中では、モデルは人間よりもクレームに均等にオーナシップを分割する。 モデル構成にまたがる応答をポーリングすると、共有された判断でより多くのシナリオが明らかになる。 人間が異なるグループを形成するとき、モデルは一つの視点または競合する視点に収束する。 さらに比較すると、異なる文脈の感受性が示される。 シナリオ全体で物質的価値が増大するにつれて、クリエーターへの割り当ては人間よりもモデルにおいて急激に減少する。 後代の所有者を所有者として認識する場合、これらの所有者への割り当てはモデルで増加するが、人間ではわずかに減少する。 これらの結果から, 評価されたLSM反応は, 参加者の所有判断の多様性や, 状況によってどう異なるかを完全に把握していないことが示唆された。 したがって、社会的に有能なAIを開発するには、人間の判断の多様性と文脈依存を捉えるために、全体的な類似性を超えて移動する必要がある。

関連論文リスト

• CogGym: Towards Large-Scale Comparative Evaluation of Human and Machine Cognition [66.8415515346664]
  モデルと人間の振る舞いをマッチング実験で比較するフレームワークであるCogGymを紹介した。 CogGymは、多種多様な実験パラダイムを標準化するために、半自動化されたループパイプラインを使用する。 私たちは、より大規模で最近のAIモデルが人間の判断をより良く再現する、明確なスケーリングトレンドを見つけました。
  論文  参考訳（メタデータ） (2026-09-18T03:18:04Z)
• 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)
• Empirically evaluating commonsense intelligence in large language models with large-scale human judgments [4.212429064310439]
  本稿では,人工知能における常識評価手法を提案する。 モデルの判断と人口の対応を計測する。 私たちのフレームワークは、異なる、しばしば互換性のない、知識の社会的備蓄を持つ人間の集合体にAIモデルを適用することの要求に寄与します。
  論文  参考訳（メタデータ） (2025-05-15T13:55:27Z)
• Generative Models, Humans, Predictive Models: Who Is Worse at High-Stakes Decision Making? [10.225573060836478]
  大規模な生成モデル(LM)は、これまで予測モデルや人間によって行われていた意思決定タスクに既に使用されている。 我々は、高い意思決定タスクである再帰的予測において、人気のあるLMをテストに投入した。
  論文  参考訳（メタデータ） (2024-10-20T19:00:59Z)
• Scaling Data Diversity for Fine-Tuning Language Models in Human Alignment [84.32768080422349]
  人間の好みの調整は、大きな言語モデルが誤解を招くか有害なコンテンツを生成するのを防ぐ。 本研究では, 微調整後のLLMの最終性能と線形相関を示唆し, 即時多様性の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2024-03-17T07:08:55Z)
• 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)
• Value Kaleidoscope: Engaging AI with Pluralistic Human Values, Rights, and Duties [68.66719970507273]
  価値多元性とは、複数の正しい値が互いに緊張して保持されるという考え方である。 統計的学習者として、AIシステムはデフォルトで平均に適合する。 ValuePrismは、218kの値、権利、義務の大規模なデータセットで、31kの人間が記述した状況に関連付けられています。
  論文  参考訳（メタデータ） (2023-09-02T01:24:59Z)

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。