論文の概要: The Anatomy of Socio-Demographics in Pluralistic Offensiveness Modeling: When and Where It Helps, and the Role of Reasoning

• arxiv url: http://arxiv.org/abs/2610.37896v1
• Date: Tue, 27 Oct 2026 19:35:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.908582
• Title: The Anatomy of Socio-Demographics in Pluralistic Offensiveness Modeling: When and Where It Helps, and the Role of Reasoning
• Title（参考訳）: 多元的攻撃性モデリングにおける社会デモグラフィーの解剖--いつ,どこで, 推論の役割-
• Abstract要約: 人口増加は個々の予測に矛盾するが、集団や人口レベルではより明確になることを示す。 個々の判断を全体ベースラインと人口統計学的偏差に明示的に分解する推論および予測形式を用いて、両者の利得が生じることを示す。 これらの結果から, 先行研究における混在した証拠は, 個人レベルの評価に起因している可能性が示唆された。
• 参考スコア（独自算出の注目度）: 21.68660645318232
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subjective judgments such as offensiveness often vary substantially across individuals, motivating pluralistic modeling approaches that incorporate annotators' socio-demographic information to capture this variation. However, prior findings on the benefits of socio-demographic information for pluralistic modeling are mixed, calling for a systematic analysis of both its effectiveness and the mechanisms through which it improves prediction. In this work, we study $\textbf{when}$ and $\textbf{where}$ socio-demographics benefit pluralistic offensiveness modeling, as well as $\textbf{the role of explicit reasoning}$ in leveraging this information. Across three multi-annotator datasets with prompted and trained LLMs, we first show that demographic gains are small and inconsistent for individual predictions but become clearer at the group and population levels, because aggregation attenuates the idiosyncratic variation that masks small but systematic demographic signals. Second, using a reasoning and prediction format that explicitly decomposes individual judgment into an overall baseline and a demographic-specific deviation, we show that the gains arise from both components: demographic information improves baseline estimation and enables meaningful demographic-specific shifts, and interventions show that better component estimates improve final predictions. Finally, comparing direct demographic conditioning with explicit reasoning about how the text interacts with annotator demographics, we find that reasoning yields more accurate baseline and shift estimates as well as final predictions, whereas conditioning alone rarely produces informative shifts. These results suggest that the mixed evidence in prior work may partly stem from individual-level evaluation, and that the value of socio-demographic information depends on both how it is evaluated and how models are guided to use it.
• Abstract（参考訳）: 攻撃性などの主観的判断は個人によって大きく異なることが多く、アノテータの社会デマトグラフィー情報を含む多元的モデリングアプローチを動機付け、この変化を捉えている。 しかし, 社会デマトグラフィー情報の多元的モデリングへの活用に関する先行的な知見が混在しており, その効果と予測を改善するメカニズムの体系的分析が求められている。 本研究では、この情報を活用する上で、$\textbf{when}$と$\textbf{where}$社会デマトグラフィーが多元的攻撃性モデリングの恩恵を受けること、および$\textbf{the role of explicit reasoning}$について研究する。 LLMを誘導・訓練した3つのマルチアノテータデータセットを通して、まず、人口増加は個々の予測に矛盾するが、集団や人口レベルではより明確になることを示す。 第2に、個別の判断を全体ベースラインと人口差に明示的に分解する推論および予測形式を用いて、人口統計情報によるベースライン推定の改善と、意味のある人口統計学的シフトの実現、そして介入により、より良いコンポーネント推定が最終的な予測を改善することを示す。 最後に、直接的人口動態条件と、テキストがアノテータの人口統計学とどのように相互作用するかを明確に推論すると、推論は最終的な予測だけでなく、より正確なベースラインとシフト推定をもたらす。 以上の結果から, 先行研究における混在証拠は, 個人レベルの評価に一部原因があることが示唆され, 社会デミノグラフィー情報の価値は, どのように評価されるか, モデルがどのように活用されるかによって異なることが示唆された。

関連論文リスト

• FairForensics: Seeing Expressions and Parsing Demographics via Vision-Language Modeling for Generalizable Fair Deepfake Detection [60.2868121662026]
  既存のフェアネスを増強した検出器は、しばしば人口統計群全体にわたって目に見えない操作とフェアネスの最適下一般化に悩まされる。 我々は、バランスの取れない人口シナリオと不均衡な人口シナリオの両方の下で、検出器の公平性を訓練し、評価するために、新しい人口動態バランスFDDベンチマークを構築した。 また,FairForensicsと呼ばれる新しい表現と階層型視覚言語モデルを導入する。
  論文  参考訳（メタデータ） (2026-08-03T03:51:14Z)
• When Does Demographic Information Help? Data and Modeling Regimes for Perspective-Aware Hate Speech Detection [3.685453775072903]
  データ分割プロパティとモデリングフレームワークの両方の機能として、人口増加を分析します。 人口増加は、低いトレーニング不一致、高いテスト不一致、きめ細かいあいまいさの測定、十分なトレーニングデータ、より大きな人口重なりのある体制に集中している。
  論文  参考訳（メタデータ） (2026-05-26T17:24:41Z)
• Assessing the Reliability of LLMs Annotations in the Context of Demographic Bias and Model Explanation [5.907945985868999]
  本研究では,アノテータの人口統計学的特徴がテキストコンテンツと比較してラベル決定に与える影響について検討した。 一般化線形混合モデルを用いて、この差分率を定量化し、観測された分散のごく一部(8%)が人口統計因子であることを示した。 次に、ジェネレーティブAI(GenAI)モデルの信頼性をアノテータとして評価し、人口統計学的パーソナによる指導が人間の判断との整合性を改善するかどうかを具体的に評価する。
  論文  参考訳（メタデータ） (2025-07-17T14:00:13Z)
• Value Profiles for Encoding Human Variation [12.302443348395117]
  値プロファイルは、コンテキスト内デモから圧縮された基礎値の記述である。 価値プロファイルは、精査可能性、解釈可能性、操縦性という面での利点を提供する。 我々は,デコーダの予測が意味的プロファイルの違いに合わせて変化し,よく校正され,インスタンスレベルの不一致を説明するのに役立つことを示す。
  論文  参考訳（メタデータ） (2025-03-19T17:57:49Z)
• Leveraging Prototypical Representations for Mitigating Social Bias without Demographic Information [50.29934517930506]
  DAFairは、言語モデルにおける社会的バイアスに対処する新しいアプローチである。 偏見を緩和するために、原型的人口統計テキストを活用し、微調整プロセス中に正規化用語を取り入れる。
  論文  参考訳（メタデータ） (2024-03-14T15:58:36Z)
• Sensitivity, Performance, Robustness: Deconstructing the Effect of Sociodemographic Prompting [64.80538055623842]
  社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。 ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
  論文  参考訳（メタデータ） (2023-09-13T15:42:06Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)

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。