論文の概要: Reading Too Much Into It? Interpretive Preferences and Commitment in LLM Mentalisation under Ambiguity

• arxiv url: http://arxiv.org/abs/2610.28105v1
• Date: Tue, 20 Oct 2026 12:18:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.802018
• Title: Reading Too Much Into It? Interpretive Preferences and Commitment in LLM Mentalisation under Ambiguity
• Title（参考訳）: 読み過ぎ? あいまいさ下におけるLLMのメンタライゼーションにおける解釈的前提とコミットメント
• Abstract要約: MentalLoomは大規模言語モデル(LLM)の新たな評価法である LLMは、ユーザーがあいまいな社会的出会いをどう解釈するかを形作る、対人的なアドバイスにますます使われています。 ユーザコンテキストは解釈的嗜好やコミットメントを再構築できるが、基礎となる曖昧さは未解決である。
• 参考スコア（独自算出の注目度）: 15.450374279738925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) are increasingly used for interpersonal advice, potentially shaping how users interpret ambiguous social encounters. Existing Theory of Mind evaluations typically rely on predefined answers, while uncertainty research overlooks LLMs' preferred explanations and confidence under psychological distress. To address these gaps, we introduce MentalLoom, a novel evaluation of LLM mentalisation comprising 604 ambiguous social episodes, matched depression and social anxiety disclosures, and four-turn dialogues with unchanged event evidence. Across eight LLMs, disclosures initially elicited more negative explanations overall but more positive narrator-directed interpretations. Scripted repeated questioning showed greater emotional support, stronger positive narrator-directed endorsement, and higher certainty without new event evidence. These findings show that user context can reshape interpretive preferences and commitment while the underlying ambiguity remains unresolved.
• Abstract（参考訳）: 大きな言語モデル(LLM)は、ユーザーがあいまいな社会的出会いをどう解釈するかを形作る、対人的なアドバイスにますます使われています。 既存の心の理論は、通常、事前に定義された答えに頼っているが、不確実性の研究は、LLMの好ましい説明と心理的苦痛の下での信頼を軽視している。 このギャップに対処するために,604件の曖昧な社会エピソードと一致したうつ病と社会不安の暴露,およびイベント証拠の変化のない4ターン対話を含む,新たなLLM精神化の評価法であるMentalLoomを紹介した。 8つの LLM にまたがって、開示は最初はより否定的な説明を引き出したが、より肯定的なナレーター指向の解釈を導いた。 クリプテッド・リピート・イシューティングでは, 感情的サポートが向上し, 肯定的ナレーター指向の支持が強まり, 新たな事象の証拠が得られなかった。 これらの結果から,ユーザコンテキストは解釈的嗜好やコミットメントを再構築することができる一方で,基礎となる曖昧さは未解決のままであることがわかった。

関連論文リスト

• What Did They Mean? How LLMs Resolve Ambiguous Social Situations across Perspectives and Roles [7.837199333440395]
  人々は、あいまいな社会状況を理解するために、大きな言語モデル(LLM)に目を向ける傾向にある。 LLMは4つの領域にまたがってこれらの状況にどのように反応するかを研究する。 私たちはこの傾向を、不確実性を保存するソーシャルAIの設計上の課題と捉えています。
  論文  参考訳（メタデータ） (2026-04-27T01:29:53Z)
• 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)
• Incongruent Positivity: When Miscalibrated Positivity Undermines Online Supportive Conversations [0.0]
  感情的に支持的な会話では、よく意図された肯定性は時に誤火し、否定的、最小化、非現実的に楽観的な反応をもたらす。 本研究では,この不一致肯定の現象を,ヒトおよびLDM生成反応の正の支持の誤校正表現として検討した。 以上の結果から, 感情認知と肯定的影響のバランスをとるために, 一般的な肯定的反応を単に生成するだけではなく, 協調的支援策も検討する必要性が浮き彫りとなった。
  論文  参考訳（メタデータ） (2025-09-12T12:25:02Z)
• Beyond Prompt-Induced Lies: Investigating LLM Deception on Benign Prompts [79.1081247754018]
  大規模言語モデル(LLM)は、推論、計画、意思決定のタスクに広くデプロイされている。 そこで我々は, 接触探索質問(CSQ)に基づく枠組みを提案し, 騙しの可能性を定量化する。
  論文  参考訳（メタデータ） (2025-08-08T14:46:35Z)
• Quantifying depressive mental states with large language models [0.0]
  大規模言語モデル(LLM)はメンタルヘルスにおいて重要な役割を担っている。 3つの臨界試験におけるLLM性能の概要と評価を行った。
  論文  参考訳（メタデータ） (2025-02-13T16:52:06Z)
• Can LLMs Understand the Implication of Emphasized Sentences in Dialogue? [64.72966061510375]
  強調は人間のコミュニケーションにおいて重要な要素であり、対話における純粋テキストを超えて話者の意図と含意を示す。 本稿では,強調の意味を抽出した強調注釈付き対話サンプルを用いたベンチマークであるEmphasized-Talkを紹介する。 オープンソースと商用の両方で様々な大規模言語モデル(LLM)を評価し,その性能を重要視して評価する。
  論文  参考訳（メタデータ） (2024-06-16T20:41:44Z)
• Rethinking Large Language Models in Mental Health Applications [42.21805311812548]
  大規模言語モデル(LLM)は、メンタルヘルスにおいて貴重な資産となっている。 本稿では,精神保健分野におけるLSMの利用について考察する。
  論文  参考訳（メタデータ） (2023-11-19T08:40:01Z)
• Revisiting the Reliability of Psychological Scales on Large Language Models [62.57981196992073]
  本研究の目的は,大規模言語モデルにパーソナリティアセスメントを適用することの信頼性を明らかにすることである。 GPT-3.5、GPT-4、Gemini-Pro、LLaMA-3.1などのモデル毎の2,500設定の分析により、様々なLCMがビッグファイブインベントリに応答して一貫性を示すことが明らかになった。
  論文  参考訳（メタデータ） (2023-05-31T15:03:28Z)
• Inducing anxiety in large language models can induce bias [47.85323153767388]
  我々は、確立された12の大規模言語モデル(LLM)に焦点を当て、精神医学でよく用いられる質問紙に答える。 以上の結果から,最新のLSMの6つが不安アンケートに強く反応し,人間に匹敵する不安スコアが得られた。 不安誘発は、LSMのスコアが不安アンケートに影響を及ぼすだけでなく、人種差別や老化などの偏見を測る以前に確立されたベンチマークにおいて、それらの行動に影響を及ぼす。
  論文  参考訳（メタデータ） (2023-04-21T16:29:43Z)

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。