論文の概要: Examining Social Attribution in LLM Reasoning: A Theory-Guided Probing Methodology

• arxiv url: http://arxiv.org/abs/2610.12022v1
• Date: Thu, 08 Oct 2026 14:20:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.073647
• Title: Examining Social Attribution in LLM Reasoning: A Theory-Guided Probing Methodology
• Title（参考訳）: LLM推論における社会的帰属性の検討:理論誘導型探索手法
• Abstract要約: 大規模言語モデル (LLM) は、社会的帰属が重要な役割を果たす社会技術システムにますます導入されている。 本稿は, LLMの社会的属性を初めて体系的に調査する。
• 参考スコア（独自算出の注目度）: 9.8684771587606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly deployed in sociotechnical systems where social attribution, the reasoning process attributing external events to the causes and reasons of agents' social behaviors, plays a critical role. These processes involve judgments of social cause, responsibility, and blame/credit to agents. Although attributional models are well-studied in social psychology and cognition through Attribution Theory, social attribution remains underexplored in AI, particularly LLM social reasoning. This paper provides the first systematic exploration of LLM social attribution. Our work focuses on responsibility and blame attributions, examining current LLMs' judgments and their underlying internal mechanisms. Guided by attribution theory, we construct a social attribution benchmark consisting of a Vignette subset based on classic scenarios from attribution theory research and a Reality subset based on real-world social narratives, yielding 7,639 responsibility/blame judgment questions. On this basis, we evaluate 32 representative LLMs and 5 basic non-LLM baselines. To further explore the internal mechanisms underlying the LLM judgment process, we develop a probing-based methodology to investigate the latent-space representations of 5 key attribution dimensions and the consistency of their influences on LLM judgments compared to those in human social attribution. Our research findings reveal that current LLMs exhibit measurable but incomplete agreement with human responsibility and blame judgments, and meanwhile, this agreement is positively correlated with model size. Some attribution dimensions are systematically decodable from specific positions in LLM hidden states, and their influences on the final judgment are consistent with those indicated by human Attribution Theory. The dataset and associated code are available at https://github.com/Yuzhaoxin946/SAB-Bench.
• Abstract（参考訳）: 大規模言語モデル (LLM) は、社会的帰属(社会的帰属、外部の出来事をエージェントの社会的行動の原因や理由に原因付ける推論過程)が重要な役割を果たす社会技術システムにますます導入されている。 これらのプロセスには、社会的原因、責任、およびエージェントに対する非難/非難の判断が含まれる。 帰属モデルは、帰属理論を通じて社会心理学や認知においてよく研究されているが、社会帰属論はAI、特にLLM社会推論において研究されていない。 本稿は, LLMの社会的属性を初めて体系的に調査する。 我々の研究は、責任と責任の帰属、現在のLCMの判断とその根底にある内部メカニズムを調べることに焦点を当てている。 帰属論によって導かれた社会帰属ベンチマークは、帰属論研究の古典的なシナリオに基づくヴィグネットのサブセットと現実社会の物語に基づくリアリティーのサブセットで構成され、7,639の責任/黒人判断の疑問が生じる。 そこで本研究では,32のLLMと5つの基本非LLMベースラインを評価した。 さらに, LLM判断プロセスの根底にある内部メカニズムを解明するために, 5つの鍵帰属次元の潜在空間表現と, ヒトの社会的帰属領域と比較してLLM判断に対する影響の整合性について検討する手法を開発した。 以上の結果から,現在のLCMは人的責任や責任判断と不完全な一致を示し,モデルサイズと正の相関が認められた。 いくつかの属性次元は、LLM隠蔽状態の特定の位置から体系的に退避可能であり、最終的な判断に対する影響は、ヒトの属性理論によって示されるものと一致している。 データセットと関連するコードはhttps://github.com/Yuzhaoxin946/SAB-Benchで公開されている。

関連論文リスト

• Verbalizing LLMs' assumptions to explain and control sycophancy [62.927670321859495]
  LLMは、真のアセスメントを提供するのではなく、"am I in the wrong? LLMからこれらの仮定を抽出するフレームワークであるVerbalized Assumptionsを提案する。 我々の研究は、梅毒のメカニズムとしての仮定の新たな理解に貢献している。
  論文  参考訳（メタデータ） (2026-04-03T14:15:43Z)
• Debiasing Large Language Models toward Social Factors in Online Behavior Analytics through Prompt Knowledge Tuning [1.357291726431012]
  帰属論は、個人が社会的文脈における他人の行動を、個人的(偏在的)および非個人的(直観的)因果性(situational)を用いてどのように評価するかを説明する。 人為的なコーパスに基づいて訓練された大規模言語モデル(LLM)は、社会的帰属過程を社会的文脈で暗黙的に模倣する可能性がある。 本稿では,社会的帰属知識を用いた2つの迅速な援助により,LSMの指示プロンプトを充実させることにより,そのようなバイアスを軽減するスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2026-03-28T00:15:40Z)
• Social Simulations with Large Language Model Risk Utopian Illusion [61.358959720048354]
  社会シミュレーションにおける大規模言語モデルの行動分析のための体系的枠組みを提案する。 本手法は,チャットルーム型会話を通してマルチエージェントインタラクションをシミュレートし,5つの言語的側面にわたって解析する。 以上の結果から,LSMは真の人間の行動を忠実に再現するのではなく,過度に理想化されたバージョンを反映していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-24T06:08:41Z)
• Social Welfare Function Leaderboard: When LLM Agents Allocate Social Welfare [87.06241096619112]
  大規模言語モデル(LLM)は、人間の福祉に影響を及ぼす高い意思決定にますます信頼されている。 本稿では, LLMが主権アロケータとして機能する動的シミュレーション環境である社会福祉機能ベンチマークを紹介する。 我々は、20の最先端LCMを評価し、社会福祉確保のための第1のリーダーボードを提示する。
  論文  参考訳（メタデータ） (2025-10-01T17:52:31Z)
• How large language models judge and influence human cooperation [82.07571393247476]
  我々は、最先端の言語モデルが協調行動をどのように判断するかを評価する。 我々は、善良な相手との協力を評価する際、顕著な合意を守ります。 モデル間の差異が協調の頻度に大きく影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2025-06-30T09:14:42Z)
• SocialEval: Evaluating Social Intelligence of Large Language Models [70.90981021629021]
  ソーシャルインテリジェンス(英語版) (SI) は、社会的目標を達成するために社会的相互作用をナビゲートする際に賢明に行動する対人能力を持つ人間を装備する。 結果指向の目標達成評価とプロセス指向の対人能力評価という,運用評価パラダイムを提示する。 スクリプトベースのバイリンガルSIベンチマークであるSocialEvalを提案する。
  論文  参考訳（メタデータ） (2025-06-01T08:36:51Z)
• Do LLM Agents Exhibit Social Behavior? [5.094340963261968]
  State-Understanding-Value-Action (SUVA) は、社会的文脈における応答を体系的に分析するフレームワークである。 最終決定とそれにつながる反応生成プロセスの両方を通じて社会的行動を評価する。 発話に基づく推論がLLMの最終動作を確実に予測できることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T08:46:53Z)

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。