論文の概要: In the Guise of Correction: How Framing and Cultural Adaptation Erode LLM Safety on Real-World Criminal Cases

• arxiv url: http://arxiv.org/abs/2610.21789v1
• Date: Thu, 15 Oct 2026 12:44:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.077984
• Title: In the Guise of Correction: How Framing and Cultural Adaptation Erode LLM Safety on Real-World Criminal Cases
• Title（参考訳）: 矯正の指針:現実世界の刑事事件に対するフレーミングと文化適応のエロードLDMの安全性
• Abstract要約: 実世界の事例から得られた犯罪支援シナリオのベンチマークであるGUISEを紹介する。 それぞれのシナリオは3つの言語的枠組みの下で表現され、5つの異なる文化で評価される。
• 参考スコア（独自算出の注目度）: 20.530441672969115
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing safety benchmarks rely largely on synthetic prompts with loosely grounded taxonomies and offer little focused analysis of severe crime categories. We introduce GUISE, a benchmark of criminal-assistance scenarios sourced from real-world cases and organised under a taxonomy from the UNODC International Classification of Crime for Statistical Purposes (ICCS). Each scenario is rendered under three linguistic framings and evaluated across five distinct cultures. Using our proposed two-tier evaluation framework, which judges both harmfulness and operational uplift, we find that: (i) framing alone drives unsafe compliance, with the mean unsafe compliance rate rising from 28.9% under direct requests to 66.4% under correction seeking (peaking at 97.3%; p < 0.05), as models correcting deliberately distorted details supply executable criminal steps; (ii) culturally adapted prompts elicit significantly more unsafe compliance than literal translations of the same requests in all four non-English languages (+7 to +18 points), a risk that translation-based benchmarks miss; and (iii) unsafe responses from the least-safe models carry strong Anglocentric registers, and the extent of this leakage increases monotonically with response harmfulness ($ρ$ = 0.46 to 0.63 across languages, all p < 0.001). GUISE offers a grounded resource and fine-grained diagnostics for strengthening refusal alignment across languages and cultures. We publish our code and data to facilitate future research.
• Abstract（参考訳）: 既存の安全基準は、緩やかな分類基準を持つ合成プロンプトに大きく依存しており、重大犯罪カテゴリーの集中分析はほとんど提供していない。 実世界の事例から得られた犯罪支援シナリオのベンチマークであるGUISEを,UNODC国際統計目的犯罪分類(ICCS)の分類の下に整理した。 それぞれのシナリオは3つの言語的枠組みの下で表現され、5つの異なる文化で評価される。 有害性と運用上の高揚の両方を判断する2層評価フレームワークを用いて、以下の結果を得た。 (i)フレーミングだけでは、安全でないコンプライアンスを推進し、平均的安全でないコンプライアンス率は、直接の要求により28.9%から、補正請求により66.4%(97.3%; p < 0.05)まで上昇する。 (二)文化的に適応したプロンプトは、4つの非英語言語(+7から+18点)において同じ要求のリテラル翻訳よりもはるかに安全でないコンプライアンスを付与し、翻訳ベースのベンチマークが見逃すリスクを負う。 三 安全でないモデルからの安全でない応答は、強いアングロ中心レジスタを持ち、この漏れの程度は、応答の有害性(ρ$ = 0.46 から 0.63 まで、全ての p < 0.001 である)とともに単調に増加する。 GUISEは、言語や文化間の拒絶アライメントを強化するための、基盤となるリソースときめ細かい診断を提供する。 将来の研究を促進するために、コードとデータを公開します。

関連論文リスト

• Inference-Time Steering for Cross-Lingual Factual Consistency in LLMs [51.56484100374058]
  大規模言語モデル(LLM)は目覚ましい多言語流布を示すが、その内部知識表現はハイリソース言語に対して不均等に偏っている。 我々は,これらのバイアスを推論時に緩和できるかどうかを考察し,対象言語でクエリされたかのように,英語の確率モデルに答えるように強制する。 Gemma 3 12Bの実験では、最も強い全体的な介入、効率性のバランス、安全性、ドメイン外の一般化を促すペルソナが明らかにされている。
  論文  参考訳（メタデータ） (2026-07-21T16:15:05Z)
• Safety Targeted Embedding Exploit via Refinement [1.384477926572109]
  本研究は、英語を主とする安全機構が多言語入力にまたがる一般化を想定できないことを示す。 STEERは、単語を低リソース言語に翻訳し、有害な意図を保ちながら拒絶を抑制する、勾配誘導攻撃である。 マルチリンガル安全性の向上にはアライメントとアウト・オブ・ディストリビューション・インプットを明示的に検出・棄却するメカニズムの広範な適用が必要であると論じる。
  論文  参考訳（メタデータ） (2026-07-02T08:17:57Z)
• Culturally-Adapted Red-Teaming Across East and Southeast Asian Contexts: A Methodological and Comparative Analysis [2.8523456804049885]
  我々は,4言語で1:1のシードマッチングを用いて,DTと文化的適応データセットのペアを構築した。 攻撃成功率(ASR)と文化リアリズムのスコアを4つのオープンソース安全評価と比較した。
  論文  参考訳（メタデータ） (2026-06-08T08:17:18Z)
• Cross-Lingual Jailbreak Detection via Semantic Codebooks [0.0]
  大規模言語モデル(LLM)の安全性メカニズムは、主に英語中心であり、多言語展開における体系的な脆弱性を生み出している。 本研究では,言語に依存しないセマンティックな類似性によって,リトレーニングや言語固有の適応なしにこのような攻撃を軽減できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-04-28T14:43:40Z)
• Are Aligned Large Language Models Still Misaligned? [13.062124372682106]
  Mis-Align Bench は、安全性、価値、文化的側面の相違を分析するための統一されたベンチマークである。 SAVACUは、112のドメイン(またはラベル)にまたがる382,424のミスアライメントデータセットである。
  論文  参考訳（メタデータ） (2026-02-11T19:30:43Z)
• A Safety Report on GPT-5.2, Gemini 3 Pro, Qwen3-VL, Grok 4.1 Fast, Nano Banana Pro, and Seedream 4.5 [101.4233736714284]
  大規模言語モデル(LLM)とマルチモーダル大規模言語モデル(MLLM)は、言語とビジョンをまたいだ推論、認識、生成において大きな進歩をもたらした。 GPT-5.2, Gemini 3 Pro, Qwen3-VL, Grok 4.1 Fast, Nano Banana Pro, Seedream 4.5-assesing each across language, vision- language and image generation。
  論文  参考訳（メタデータ） (2026-01-15T15:52:52Z)
• When Code Crosses Borders: A Security-Centric Evaluation of LLM-based Code Translation [19.602248745676544]
  既存の評価は、主に機能レベルでの統語的または機能的正当性に注目し、セキュリティの重要な次元を無視している。 LLMに基づくコード翻訳のセキュリティへの影響を評価するために設計された最初のデータセットであるSTEDを構築した。 5つのプログラミング言語にまたがる720のセキュリティ関連コードサンプルと、CVE/NVDから派生した9つの高インパクトCWEカテゴリで構成されている。
  論文  参考訳（メタデータ） (2025-09-08T10:08:48Z)
• SORRY-Bench: Systematically Evaluating Large Language Model Safety Refusal [64.9938658716425]
  SORRY-Benchは、安全でないユーザ要求を認識し拒否する大規模言語モデル(LLM)能力を評価するためのベンチマークである。 まず、既存の手法では、安全でないトピックの粗い分類を使い、いくつかのきめ細かいトピックを過剰に表現している。 第二に、プロンプトの言語的特徴とフォーマッティングは、様々な言語、方言など、多くの評価において暗黙的にのみ考慮されているように、しばしば見過ごされる。
  論文  参考訳（メタデータ） (2024-06-20T17:56:07Z)
• ALERT: A Comprehensive Benchmark for Assessing Large Language Models' Safety through Red Teaming [64.86326523181553]
  ALERTは、新しいきめ細かいリスク分類に基づいて安全性を評価するための大規模なベンチマークである。 脆弱性を特定し、改善を通知し、言語モデルの全体的な安全性を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-04-06T15:01:47Z)

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。