論文の概要: The psychophysics of affect in large language models

• arxiv url: http://arxiv.org/abs/2610.40985v1
• Date: Thu, 29 Oct 2026 21:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.496355
• Title: The psychophysics of affect in large language models
• Title（参考訳）: 大規模言語モデルにおける影響の心理学的考察
• Abstract要約: 大規模言語モデル(LLM)が結果をどのように感情にマッピングし、それらのマッピングを選択できるかを示す。 LLMがギャンブルや株式トレーディングの結果をどのように感じているか、そしてこれらの格付けを選択できるかどうかをテストしました。 以上の結果から, エージェントLLMが予測された感情を意思決定に組み込むべきか, という疑問が浮き彫りになった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Good decisions often require considering how outcomes will feel. Yet large language models (LLMs) increasingly enter decision workflows, despite little being known about how they map outcomes to feelings or use those mappings in choice. We tested how LLMs anticipated gambling or stock-trading outcomes would feel and whether they incorporated these ratings into choice. When outcomes were rated in isolation, ratings exhibited diminishing sensitivity to magnitude, resembling human value functions; but models rated gains more intensely than equivalent losses, an inversion of canonical loss aversion we call silicon gain amplification. When outcomes were rated together, enabling direct comparison, ratings linearised. In choice, the gain-loss asymmetry largely disappeared, and models' own ratings did not reliably explain their choices better than monetary utility did. These findings reveal malleable mappings from outcomes to affect, raising questions about whether and how agentic LLMs should incorporate anticipated feelings into decisions.
• Abstract（参考訳）: 良い判断は、しばしば結果がどのように感じるかを考える必要がある。 しかし、大きな言語モデル(LLM)は、結果をどのように感情にマッピングするか、あるいはそれらのマッピングを選択すればよいのか、ほとんど分かっていないにも関わらず、意思決定ワークフローにますます入り込んでいます。 LLMがギャンブルや株式トレーディングの結果をどのように感じているか、そしてこれらの格付けを選択できるかどうかをテストしました。 結果が分離された場合、評価は人間の値関数に類似した大きさに対する感度の低下を示すが、評価されたモデルは同等の損失よりも激しく上昇し、正準損失の逆転はシリコンゲイン増幅と呼ばれる。 結果が一緒に評価され、直接比較が可能になったとき、評価は線形化されました。 選択肢として、ゲインロスの非対称性は大きく消失し、モデル自身の評価は、彼らの選択を金銭的効用よりも確実に説明しなかった。 以上の結果から, エージェントLLMが予測された感情を意思決定に組み込むべきか, という疑問が浮き彫りになった。

関連論文リスト

• Can Induced Emotion Bias LLM Behaviors in Sequential Decision Making? [64.5408523407693]
  大規模言語モデル(LLM)は、高い領域における自律的なエージェントとして、ますます多くデプロイされている。 アイオワ・ギャンブリング・タスクを用いて,誘因的感情が意思決定に影響を及ぼすかどうかを検討する。 人間の感情とは違って、LLMエージェントの意思決定ダイナミクスは平均的に有意な偏見を示さないことが判明した。
  論文  参考訳（メタデータ） (2026-07-14T11:09:51Z)
• None of the Above, Less of the Right: Parallel Patterns between Humans and LLMs on Multi-Choice Questions Answering [23.176280217718002]
  上記の「なし」オプションを用いた複数選択試験は、教育試験において広く研究されている。 NAオプションがモデル性能と信頼性のキャリブレーションにどのように影響するかを検討する。 本結果は,LLMが実世界のアプリケーションで不確実性に対処する能力について,ベンチマーク設計における重要な意味を強調した。
  論文  参考訳（メタデータ） (2025-03-03T13:55:29Z)
• Diverging Preferences: When do Annotators Disagree and do Models Know? [92.24651142187989]
  我々は,4つのハイレベルクラスにまたがる10のカテゴリにまたがる相違点の分類法を開発した。 意見の相違の大部分は、標準的な報酬モデリングアプローチに反対している。 本研究は,選好の変化を識別し,評価とトレーニングへの影響を緩和する手法を開発する。
  論文  参考訳（メタデータ） (2024-10-18T17:32:22Z)
• "I'm Not Sure, But...": Examining the Impact of Large Language Models' Uncertainty Expression on User Reliance and Trust [51.542856739181474]
  不確実性の自然言語表現の違いが、参加者の信頼、信頼、全体的なタスクパフォーマンスにどのように影響するかを示す。 その結果, 一人称表情は, 参加者のシステムに対する信頼度を低下させ, 参加者の正確性を高めつつ, システムの回答に同調する傾向にあることがわかった。 以上の結果から,不確実性の自然言語表現の使用は,LLMの過度な依存を軽減するための効果的なアプローチである可能性が示唆された。
  論文  参考訳（メタデータ） (2024-05-01T16:43:55Z)
• When Hindsight is Not 20/20: Testing Limits on Reflective Thinking in Large Language Models [15.781930031346105]
  自己回帰はTrthfulQAのパフォーマンスを高めるが、HotpotQAの結果に悪影響を及ぼす。 自己回帰は、モデルが最初は正しくない可能性が低く、全体的な疑問の難しさが高い場合に最も有益であることが分かる。 そこで本研究では,自己回帰の実施時期を判断するためのガイドラインを提案する。
  論文  参考訳（メタデータ） (2024-04-14T02:47:32Z)
• Do LLMs exhibit human-like response biases? A case study in survey design [66.1850490474361]
  大規模言語モデル(LLM)が人間の反応バイアスをどの程度反映しているかについて検討する。 アンケート調査では, LLMが人間のような応答バイアスを示すかどうかを評価するためのデータセットとフレームワークを設計した。 9つのモデルに対する総合的な評価は、一般のオープンかつ商用のLCMは、一般的に人間のような振る舞いを反映しないことを示している。
  論文  参考訳（メタデータ） (2023-11-07T15:40:43Z)
• The Effect of Scaling, Retrieval Augmentation and Form on the Factual Consistency of Language Models [7.2022332882214695]
  大規模言語モデル(LLM)は、事実知識に対する自然なインタフェースを作るが、その有用性は意味論的に等価な質問に対して一貫性のない回答を提供する傾向によって制限される。 不整合の潜在的な原因を特定し、検索コーパスを用いてLMのスケールアップと拡張という2つの緩和戦略の有効性を評価する。
  論文  参考訳（メタデータ） (2023-11-02T15:20:11Z)
• Traceability and Reuse Mechanisms, the most important Properties of Model Transformation Languages [1.4685355149711299]
  本研究の目的は,調査結果を定量的に評価し,異なる要因による影響を確認し,否定することである。 その結果,トラシングと再利用のメカニズムは全体として最も重要であることが明らかとなった。
  論文  参考訳（メタデータ） (2023-05-11T12:35:03Z)
• Can Language Representation Models Think in Bets? [8.185725740857594]
  変換器に基づく言語表現モデル(LRM)は、難解な自然言語理解問題に対して最先端の結果を得た。 本稿では、慎重に設計された意思決定ベンチマークと実験を通して、LEMの合理的意思決定能力について考察する。
  論文  参考訳（メタデータ） (2022-10-14T05:01:04Z)

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。