論文の概要: A Cue's Hidden Price: Auditing Seller Influence on AI Shoppers

• arxiv url: http://arxiv.org/abs/2610.25843v1
• Date: Mon, 19 Oct 2026 05:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 04:15:57.117646
• Title: A Cue's Hidden Price: Auditing Seller Influence on AI Shoppers
• Title（参考訳）: 秘密の価格:AI買い物客に対する売り手の影響を調査
• Abstract要約: 大規模な言語モデルでは、ユーザの代理として買い物をするように求められている。 バッジ、支持、フレーミングステアなどのセラーコントロールされたコンテンツ。 その影響の一般的な指標は、キューが選択に勝つ頻度であり、盲点があります。 価格相当の監査は、この天井をお金で割ることで取り除く。
• 参考スコア（独自算出の注目度）: 7.727489953864841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models are increasingly asked to shop on a user's behalf, which lets seller-controlled content such as badges, endorsements, and framing steer what they recommend. That poses the question at the core of generative engine optimization (GEO): not whether seller content shifts an agent's choice, but how much. The usual gauge of that influence, how often a cue wins the choice, has a blind spot: once a cue is strong enough to be picked almost every time, the choice rate can no longer show how much stronger one cue is than another. We introduce price-equivalent (PE) auditing, which removes this ceiling by pricing the cue in money. In a counterbalanced, position-controlled forced choice, we raise the cued product's price until it is chosen only half the time, and report that premium as the cue's price-equivalent: a formally defined, policy-conditioned parity threshold that makes very different cues comparable. Priced this way, cues that look equally strong at equal price differ by a wide margin, so choice-rate audits substantially under-resolve seller influence. We run the audit over 113,472 trials, seven models across families, and two product categories. To our knowledge, we also run the first price-equivalent audit of a decision-native model, Jev, which outputs a choice probability directly instead of generating text; strikingly, its profile is unlike any text model we tested, resisting most cues yet remaining susceptible to the strongest social-proof claims. We release the stimuli, logs, and code as a benchmark that reports each model's cue-price profile rather than a single score, giving developers and auditors a common, reproducible way to measure how content moves AI shopping agents.
• Abstract（参考訳）: 大規模な言語モデルでは,バッジや支持,フレーミングステアなど,販売者によってコントロールされたコンテンツが推奨されるように,ユーザの代理で購入するよう求められている。 これは、生成エンジン最適化(GEO:generative engine optimization)の核心にある疑問である。 1つのキューがほぼ毎回選択できるほど強いと、選択率はもう1つのキューが他のキューよりもどれだけ強いかを示すことができなくなります。 価格等価監査 (PE) を導入し, 価格設定による天井の取り外しを図った。 バランスのとれた位置制御された選択では、キュー商品の価格が半減するまで上昇し、そのプレミアムをキューの価格等価値として報告します。 このような価格設定により、同等価格で同等に強いように見えるキューは、幅広いマージンによって異なるため、選択率の監査は、ほとんど未解決の売り手の影響をほとんど受けない。 監査は、113,472のトライアルと7つのモデル、そして2つの製品カテゴリで実施しています。 私たちの知る限りでは、意思決定に等価なモデルであるJevは、テキストを生成する代わりに、選択確率を直接出力します。 私たちは、刺激、ログ、コードをベンチマークとしてリリースし、各モデルのキュー-価格プロファイルを単一のスコアではなくレポートし、開発者と監査担当者に、コンテンツがどのようにAIショッピングエージェントを動かすかを測定する一般的な再現可能な方法を提供します。

関連論文リスト

• Agents Are Systems, Not Models: Rethinking Agentic Evaluation [80.87068485535677]
  エージェントの構成の5つの部分(タスク情報、推論、自己検証、時間予算、バックボーンモデル)について検討する。 結果の約54%は、変更ではなく、同じ構成を繰り返すことによるものです。 ベンチマークと18,000以上のエージェントトラジェクトリをリリースする。
  論文  参考訳（メタデータ） (2026-10-01T12:55:07Z)
• Bayesian control for coding agents [63.64172141184361]
  本稿では,コーディングエージェントのためのコスト依存型シーケンシャル仮説テストフレームワークを提案する。 ベイズ管制官は、正確性に対する信念を維持し、より多くの証拠を集め、候補者を精査し、検証し、停止するかを決定する。 本研究では, 信頼状態が, 不確実性定量化のためのトークン確率と生ツール・サクセスベースラインを上回り, 解釈可能な正当性スコアを得ることを示す。
  論文  参考訳（メタデータ） (2026-06-23T11:41:32Z)
• SalesSim: Benchmarking and Aligning Multimodal Language Models as Retail User Simulators [63.68151307455963]
  本稿では,マルチモーダル大規模言語モデル(MLLM)の現実的,ペルソナ主導の顧客行動のシミュレート能力を評価するためのフレームワークとテストベッドであるSalesSimを紹介する。 我々は,シミュレータの動作とペルソナ仕様との整合性,および会話品質を測定する。 実験により,UserGRPOは,会話品質を改善しつつ,ベースラインモデルの整合性を13.8%向上させることを示した。
  論文  参考訳（メタデータ） (2026-05-08T17:59:23Z)
• Designing Service Systems from Textual Evidence [18.85883540190321]
  高価な人事監査を最小化しながら、信頼性の高い最適なサービス構成を特定する方法について検討する。 本研究では,プロキシスコアと逆確率重み付け残差を組み合わせた推定器を開発した。
  論文  参考訳（メタデータ） (2026-03-11T04:34:46Z)
• Learning Steerable Clarification Policies with Collaborative Self-play [67.67872810596839]
  不明瞭なクエリを処理するために、AIアシスタントは不確実性を管理するためのポリシーが必要である。 我々は,この不確実性を管理するために,自己再生を用いて評価可能な政策を訓練することを提案する。 このことが、提供されたコストに応じて予測可能な振る舞いを変更する、評価可能なポリシーにつながることを示す。
  論文  参考訳（メタデータ） (2025-12-03T18:49:54Z)
• Dynamic Assortment Selection and Pricing with Censored Preference Feedback [10.988222071035198]
  本稿では,テキストセンタ型マルチノミアルロジット(C-MNL)選択モデルに基づく新しいフレームワークを提案する。 売り手は価格で一連の商品を提示し、買い手は価格より高い価格で商品をフィルタリングし、残りの選択肢から少なくとも1つの商品を購入する。 我々のアルゴリズムは $tildeO(dfrac32sqrtT/kappa)$ と $tildeO(d2sqrtT/kappa) の残差を実現する。
  論文  参考訳（メタデータ） (2025-04-03T06:56:08Z)
• Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
  複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。 この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。 そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T17:44:56Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Probe: Learning Users' Personalized Projection Bias in Intertemporal Choices [5.874142059884521]
  本研究では、投射バイアスと基準点効果の2つのよく観察されるバイアスに焦点を当てる。 これらのバイアスに対処するために, Probe と呼ばれる新しいバイアス埋め込み選好モデルを提案する。 Probeには、ユーザの予測バイアスをキャプチャする重み関数と、参照ポイント効果を考慮に入れた値関数が組み込まれている。
  論文  参考訳（メタデータ） (2023-03-09T12:13:46Z)

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。