論文の概要: A Russian, a Brazilian, and a German Walk into a Bar, Ask the Same Question-- And Get Three Different Answers: Profiling LLM Perspective Diversity on Contested Topics

• arxiv url: http://arxiv.org/abs/2610.34278v1
• Date: Sun, 25 Oct 2026 13:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.57087
• Title: A Russian, a Brazilian, and a German Walk into a Bar, Ask the Same Question-- And Get Three Different Answers: Profiling LLM Perspective Diversity on Contested Topics
• Title（参考訳）: ロシア人、ブラジル人、そしてドイツ人がバーに足を踏み入れ、同じ質問に答える--そして3つの答えを得る
• Abstract要約: PerspectivesQAは18の言語をカバーするグローバルに競合するトピックの、手動で検証された多言語データセットである。 オープンソースとプロプライエタリファミリの両方をカバーする8つのモデルの多様なセットを,さまざまなスケールで評価する。 全てのモデルはまた、小さな表面レベルの入力のバリエーションに対して高い感度を示し、より大きなモデルにおいても顕著なスタンスを生み出している。
• 参考スコア（独自算出の注目度）: 28.71881960575403
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large Language Models(LLMs) have shown strong performance on tasks with verifiable answers, but many real-world queries involve subjectivity, disagreement, and conflicting evidence. Most existing benchmarks for such queries remain English-centric, overlooking the vast diversity of perspectives held by users worldwide. To systematically study how LLM perspectives vary across languages, we curate PerspectivesQA, a manually verified multilingual dataset of globally contested topics covering 18 languages, and propose ROOTS, a framework that profiles linguistic, perspective, and framing diversity. We evaluate a diverse set of eight models covering both open-source and proprietary families at varying scales, establishing that LLMs hedge their answers in English but commit to positions in lower-resource languages. Larger models maintain a more consistent cross-lingual worldview, while smaller models are more easily swayed. All models also exhibit high sensitivity to minor surface-level input variations, producing notable stance even in larger models.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、検証可能な回答を持つタスクに対して強いパフォーマンスを示してきたが、現実のクエリの多くは主観性、不一致、矛盾するエビデンスを含んでいる。 このようなクエリの既存のベンチマークのほとんどは英語中心であり、世界中のユーザーが持つ視点の多様性を見越している。 LLMの視点が言語によってどのように異なるかを体系的に研究するために,18言語を対象とする世界規模で議論されているトピックの多言語データセットである PerspectivesQA を手作業で検証し,言語,視点,フレーミングの多様性をプロファイルするフレームワークである ROOTS を提案する。 我々は、オープンソースとプロプライエタリの両方をさまざまなスケールでカバーする8つのモデルの多種多様なセットを評価し、LLMが彼らの回答を英語でヘッジする一方で、低リソース言語におけるポジションにコミットすることを確立した。 より大きなモデルはより一貫性のある言語間世界観を維持し、小さなモデルはより簡単に揺れる。 すべてのモデルはまた、小さな表面レベルの入力のバリエーションに対して高い感度を示し、より大きなモデルにおいても顕著なスタンスを生み出している。

関連論文リスト

• Lost in the Tower of Babel: The Adverse Effects of Incidental Multilingualism in LLMs [25.841183184960475]
  本稿では,現代多言語NLPが,偶発的多言語主義の脆弱で誤解を招くパラダイムに収束していることを論じる。 このパラダイムは言語間の不平等、不安定、不透明な振る舞いを体系的に生み出すと我々は主張する。 この問題に対処するためには、設計による多言語主義へのシフトが必要だ。
  論文  参考訳（メタデータ） (2026-05-02T03:39:12Z)
• Polyglots or Multitudes? Multilingual LLM Answers to Value-laden Multiple-Choice Questions [16.64653069179642]
  MCQ(Multiple-Choice Questions)は、知識、推論能力、さらには大きな言語モデル(LLM)で符号化された値を評価するためにしばしば用いられる。
  論文  参考訳（メタデータ） (2026-02-05T17:44:06Z)
• Evaluating Large Language Model with Knowledge Oriented Language Specific Simple Question Answering [73.73820209993515]
  KoLasSimpleQAは,Large Language Models (LLMs) の多言語事実能力を評価する最初のベンチマークである。 既存の研究に触発されて、単一知識点カバレッジ、絶対的客観性、独特な答え、時間的安定性といった特徴を備えた質問セットを作成しました。 その結果,2つの領域間に大きな性能差が認められた。
  論文  参考訳（メタデータ） (2025-05-22T12:27:02Z)
• Benchmarking Linguistic Diversity of Large Language Models [14.824871604671467]
  本稿では,言語モデルによる人間の言語的豊かさの保全を検討することの重要性を強調する。 言語多様性の観点からLLMを評価するための包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-12-13T16:46:03Z)
• All Languages Matter: Evaluating LMMs on Culturally Diverse 100 Languages [73.93600813999306]
  ALM-benchは、100言語にわたるLMMを評価するための、これまでで最大かつ最も包括的な取り組みである。 様々な言語でテキストと組み合わせた文化的に多様なイメージを理解し、推論する能力をテストすることで、既存のモデルに挑戦する。 このベンチマークは、真/偽、複数選択、オープンな質問など、さまざまな質問フォーマットを備えた、堅牢でニュアンスの高い評価フレームワークを提供する。
  論文  参考訳（メタデータ） (2024-11-25T15:44:42Z)
• Large Language Models Reflect the Ideology of their Creators [71.65505524599888]
  大規模言語モデル(LLM)は、自然言語を生成するために大量のデータに基づいて訓練される。 本稿では, LLMのイデオロギー的姿勢が創造者の世界観を反映していることを示す。
  論文  参考訳（メタデータ） (2024-10-24T04:02:30Z)
• Getting More from Less: Large Language Models are Good Spontaneous Multilingual Learners [67.85635044939836]
  大きな言語モデル(LLM)は印象的な言語機能を示している。 本研究では,LLMの自然多言語アライメント改善について検討する。 質問翻訳データ(すなわち注釈付き回答なし)に基づいて学習したLLMは、英語と幅広い言語との整合を促進できることがわかった。
  論文  参考訳（メタデータ） (2024-05-22T16:46:19Z)
• A Survey on Multilingual Large Language Models: Corpora, Alignment, and Bias [5.096332588720052]
  本稿では,MLLMの進化,鍵技術,多言語能力について概説する。 第3に、多言語表現の最先端研究について調査し、現在のMLLMが普遍言語表現を学べるかどうかを検討する。 第4に,MLLMのカテゴリ,評価指標,脱バイアス技術などのバイアスについて論じる。
  論文  参考訳（メタデータ） (2024-04-01T05:13:56Z)

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。