論文の概要: Brain-Aligned Multimodal LLMs for Social and Emotional Understanding of Cartoon Movies

• arxiv url: http://arxiv.org/abs/2610.22706v1
• Date: Thu, 15 Oct 2026 22:22:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.688307
• Title: Brain-Aligned Multimodal LLMs for Social and Emotional Understanding of Cartoon Movies
• Title（参考訳）: カートゥーン映画の社会的・感情的理解のための脳適合型マルチモーダルLDM
• Abstract要約: マルチモーダルな大規模言語モデル(MLLM)は、社会的および感情的なコンテンツのスケーラブルなアノテーションを提供する。 拡散型および自己回帰型MLLMを3本の短編漫画映画において連続的人間の心の理論(ToM)および情緒的原子価評価と比較した。 モデル評価は、系統的な分布差にもかかわらず、人間の時間的変動の側面を捉えた。 これらの知見は、社会的および感情的コンテンツの脳予測アノテーションを生成するためのスケーラブルなツールとしてMLLMをサポートする。
• 参考スコア（独自算出の注目度）: 4.372980659881812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal large language models (MLLMs) offer scalable annotations of social and affective content, but their temporal agreement with human judgments and neural predictive value require further evaluation. We compared diffusion-based and autoregressive MLLMs with continuous human Theory of Mind (ToM) and affective valence ratings across three short cartoon movies. Behavioral analyses assessed temporally aligned Pearson correlations, rating distributions, and the effects of preceding scene descriptions. Ratings from each source were separately used in subject-specific regression models to predict regional fMRI responses. Model ratings captured aspects of human temporal variation despite systematic distributional differences, with generally stronger alignment for valence than ToM. Preceding context improved alignment in some conditions, depending on the model and movie. In \emph{The Present}, more regions showed significant encoding for MLLM ratings than for human ratings, whereas effects were more limited in the other movies. Spatial overlap across rating sources occurred mainly among MLLMs; overlap between human and model ratings was limited and involved primarily visual, dorsal-attention, and posterior default-mode regions. These findings support MLLMs as scalable tools for generating brain-predictive annotations of social and emotional content, while highlighting systematic rating differences and model- and stimulus-dependent alignment with human judgments.
• Abstract（参考訳）: マルチモーダルな大規模言語モデル(MLLM)は、社会的および感情的なコンテンツのスケーラブルなアノテーションを提供するが、人間の判断や神経予測値との時間的一致はさらなる評価を必要とする。 拡散型および自己回帰型MLLMを3本の短編漫画映画において連続的人間の心の理論(ToM)および情緒的原子価評価と比較した。 行動分析では,Pearson相関,評価分布,先行シーン記述の影響について検討した。 各音源からのレーティングは、局所的なfMRI応答を予測するために、被験者特異的回帰モデルで別々に使用された。 モデル評価では, 系統的な分布差にもかかわらず, 時間変動の側面を捉え, 一般にToMよりも有意なアライメントが認められた。 先行コンテキストは、モデルや映画によって、いくつかの条件でアライメントを改善した。 映画『現在』では、人間格付けよりもMLLM格付けに顕著なエンコーディングが見られたが、他の映画では効果が限られていた。 評価源間の空間的重複は主にMLLM間で発生し、人的評価とモデル評価の重複は制限され、主に視覚的、背側注意、および後部デフォルトモード領域が関与した。 これらの知見は、MLLMを、社会的および感情的コンテンツの脳予測アノテーションを生成するためのスケーラブルなツールとしてサポートし、体系的な評価の違いと、モデルと刺激に依存した人間の判断の一致を強調した。

関連論文リスト

• ActTraitBench: Quantifying the Knowledge-Decision Gap in Large Language Models via Human-Grounded Behavioral Validation [8.82034003345674]
  大規模言語モデル(LLM)は、明示的な自己報告でペルソナを確実にシミュレートするが、暗黙の行動決定においてしばしば逸脱する。 既存のベンチマークは、構成の妥当性の制限、多次元の絡み合い、分布バイアスのために、この非対称性を測定するのに苦労している。 本稿では,LLMの人格整合性を評価するための人為的評価フレームワークである ActTraitBench を提案する。
  論文  参考訳（メタデータ） (2026-05-28T11:40:35Z)
• Wisdom of LLM Crowds: Aggregation and Contamination in Language Model Ensembles [0.0]
  集団の知恵 — 個人間での集団判断が、最高の個人を上回ることがしばしばある — は、ヒトの予測者によって広く研究されている。 15の大規模言語モデル (LLM) から254のバイナリ予測市場質問に対して確率推定を行った。 LLMの精度は大幅に低下し、集団情報収集の真のギャップが示唆された。
  論文  参考訳（メタデータ） (2026-05-26T16:07:01Z)
• Multimodal Large Language Models as Synthetic Participants in Video-Based Studies: An Evaluation [11.282431394902241]
  MLLM(Multimodal large language model)は,映像理解や推論などの目的タスクにおいて高い性能を示す。 本研究は,MLLMを映像による知覚的エンゲージメント(知覚的エンゲージメント)の評価という,新たな課題の参加者として評価する。 MLLMをリードする人たちでさえ、人間の参加者との合意が限られていることがわかりました。
  論文  参考訳（メタデータ） (2026-05-01T05:55:45Z)
• Predicting Sentence Acceptability Judgments in Multimodal Contexts [22.053970196200925]
  これまでの研究は、人間の文受容性判定を予測するディープニューラルネットワーク(DNN)の能力について検討してきた。 視覚画像への事前曝露が人や大言語モデル(LLM)の判断に及ぼす影響を考察する。 以上の結果から,視覚的イメージが人間の受容性評価にはほとんど影響を与えていないことが示唆された。
  論文  参考訳（メタデータ） (2026-02-24T13:54:38Z)
• HumanVideo-MME: Benchmarking MLLMs for Human-Centric Video Understanding [120.84817886550765]
  MLLM(Multimodal Large Language Models)は、画像とビデオの両方を含む視覚的理解タスクにおいて、大きな進歩を見せている。 既存の人間中心のベンチマークは、主にビデオ生成の品質と行動認識を強調し、人間中心のシナリオに必要な知覚と認知の能力を見落としている。 我々は,人間中心のビデオ理解におけるMLLMのより総合的な評価を提供するために,厳格にキュレートされたベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-07-07T11:52:24Z)
• Can Reasoning Help Large Language Models Capture Human Annotator Disagreement? [84.32752330104775]
  ヒトのアノテーションの変化(つまり不一致)は、NLPでは一般的である。 異なる推論条件が大言語モデルの不一致モデルに与える影響を評価する。 意外なことに、RLVRスタイルの推論は不一致モデリングにおいて性能を低下させる。
  論文  参考訳（メタデータ） (2025-06-24T09:49:26Z)
• VisuLogic: A Benchmark for Evaluating Visual Reasoning in Multi-modal Large Language Models [121.03333569013148]
  VisuLogicは、6つのカテゴリにまたがる1,000の人間認証された問題のベンチマークです。 これらの質問は、複数の視点からMLLMの視覚的推論能力を評価するために評価することができる。 ほとんどのモデルは精度が30%以下で、25%のランダムベースラインよりわずかに高く、人間によって達成された51.4%よりはるかに低い。
  論文  参考訳（メタデータ） (2025-04-21T17:59:53Z)
• Social Debiasing for Fair Multi-modal LLMs [59.61512883471714]
  MLLM(Multi-modal Large Language Models)は、研究分野を劇的に進歩させ、強力な視覚言語理解機能を提供する。 これらのモデルは、しばしば訓練データから根深い社会的偏見を継承し、人種や性別などの属性に対する不快な反応をもたらす。 本稿では,MLLMにおける社会的バイアスの問題を,複数の社会的概念を持つ包括的対実的データセットを導入することで解決する。
  論文  参考訳（メタデータ） (2024-08-13T02:08:32Z)
• Exploring the Jungle of Bias: Political Bias Attribution in Language Models via Dependency Analysis [86.49858739347412]
  大規模言語モデル(LLM)は、これらのモデルにおけるバイアスの頻度とその緩和に関する激しい議論を引き起こしている。 本稿では,意思決定プロセスに寄与する属性の抽出と仲介を行うためのプロンプトベースの手法を提案する。 観察された異なる治療は、少なくとも部分的には、属性の相違とモデルの相違によるものであることが判明した。
  論文  参考訳（メタデータ） (2023-11-15T00:02:25Z)

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。