論文の概要: RAGing Against Misogyny: Improving Implicit Misogyny Explanations

• arxiv url: http://arxiv.org/abs/2610.35094v1
• Date: Mon, 26 Oct 2026 09:35:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.815061
• Title: RAGing Against Misogyny: Improving Implicit Misogyny Explanations
• Title（参考訳）: マイソジニーに対するラギング: インシシット・マイソジニーの説明を改善する
• Abstract要約: 暗黙の誤用は、しばしば理解するために背景知識を必要とする。 本稿では,英語とイタリア語の暗黙の誤読を検知し,説明するための検索補助生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 32.42774175641647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit misogyny often requires background knowledge to be understood. To address this challenge, we propose a Retrieval-Augmented Generation (RAG) framework for detecting and explaining implicit misogyny in English and Italian, leveraging encyclopedic, slang and feminist knowledge sources. Using the ImplicIT-Mis and SBIC+ datasets, we evaluate the contribution of each knowledge source to detection and explanation quality, investigating also whether RAG addresses known LLM failure modes in implicit misogyny. Results show that RAG improves recall on ImplicIT-Mis, but does not improve detection performance on SBIC+. However, human evaluation shows that RAG-based explanations are preferred over no-RAG explanations in both languages. Feminist literature emerges as the most consistently useful source for detection and explanation.
• Abstract（参考訳）: 暗黙の誤用は、しばしば理解するために背景知識を必要とする。 この課題に対処するために、英語とイタリア語の暗黙の誤用を検知し、説明するための検索・拡張世代(RAG)フレームワークを提案し、百科事典、スラング、フェミニストの知識源を活用している。 ImplicIT-Mis と SBIC+ データセットを用いて、各知識源が検出および説明品質に寄与していることを評価し、RAG が既知の LLM 障害モードを暗黙の誤認で対処するかどうかを調査した。 その結果,RAGはImplicIT-Misのリコールを改善するが,SBIC+の検出性能は改善しないことがわかった。 しかしながら、人間による評価では、RAGに基づく説明は、どちらの言語でも非RAGの説明よりも好まれている。 フェミニスト文学は、発見と説明の最も一貫した情報源として現れる。

関連論文リスト

• Using psychological theory to ground guidelines for the annotation of misogynistic language [2.0391237204597368]
  misogynyはオンラインとオフラインの両方で上昇しています。 現在の誤検出符号化方式とデータセットは、女性がオンラインで誤検出を経験する方法を捉えていない。 本稿では,Large Language Models (LLMs) を用いたケーススタディを,文献における自己記述型の "Expert" misogyny アノテーションスキームと比較する。
  論文  参考訳（メタデータ） (2026-01-24T11:29:46Z)
• Language is Scary when Over-Analyzed: Unpacking Implied Misogynistic Reasoning with Argumentation Theory-Driven Prompts [17.259767031006604]
  代名詞的推論タスクとして誤検出を提案する。 イタリア語と英語の両方で誤字を伝えるために用いられる暗黙の推論を理解するために,大規模言語モデルの能力について検討する。
  論文  参考訳（メタデータ） (2024-09-04T08:27:43Z)
• A Theory for Token-Level Harmonization in Retrieval-Augmented Generation [76.75124161306795]
  Retrieval-augmented Generation (RAG)は、検索したテキストを利用して大規模言語モデル(LLM)を強化する。 本稿では,RAGの利益と有害性を説明するための理論を提供する。 提案手法は,本理論に基づいて,純粋LLMとRAGの協調生成を実現する実用的手法であるTok-RAGを提案する。
  論文  参考訳（メタデータ） (2024-06-03T02:56:14Z)
• Exploratory Data Analysis on Code-mixed Misogynistic Comments [0.0]
  我々は、ミックスコードHinglishでYouTubeコメントの新しいデータセットを提示する。 これらのコメントは「ミソジニスト」と「非ミソジニスト」とラベル付けされている。
  論文  参考訳（メタデータ） (2024-03-09T23:21:17Z)
• PoisonedRAG: Knowledge Corruption Attacks to Retrieval-Augmented Generation of Large Language Models [45.409248316497674]
  大規模言語モデル(LLM)は、その例外的な生成能力により、顕著な成功を収めた。 Retrieval-Augmented Generation (RAG)は、これらの制限を緩和するための最先端技術である。 RAGシステムにおける知識データベースは,新たな,実用的な攻撃面を導入している。 この攻撃面に基づいて,RAGに対する最初の知識汚職攻撃であるPoisonedRAGを提案する。
  論文  参考訳（メタデータ） (2024-02-12T18:28:36Z)
• Subtle Misogyny Detection and Mitigation: An Expert-Annotated Dataset [5.528106559459623]
  Biaslyデータセットは、複数の専門分野の専門家やアノテータとのコラボレーションによって構築されている。 データセットは、分類、重度スコアの回帰、書き直しのためのテキスト生成など、さまざまなNLPタスクに使用することができる。
  論文  参考訳（メタデータ） (2023-11-15T23:27:19Z)
• Gender Stereotype Reinforcement: Measuring the Gender Bias Conveyed by Ranking Algorithms [68.85295025020942]
  本稿では,性別ステレオタイプをサポートする検索エンジンの傾向を定量化するジェンダーステレオタイプ強化(GSR)尺度を提案する。 GSRは、表現上の害を定量化できる情報検索のための、最初の特別に調整された尺度である。
  論文  参考訳（メタデータ） (2020-09-02T20:45:04Z)

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。