論文の概要: Do Social Influence Pressures Move LLM Agents? Evidence from Delegated Audit Judgment

• arxiv url: http://arxiv.org/abs/2611.00508v1
• Date: Sat, 31 Oct 2026 00:58:30 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:29:05.58843
• Title: Do Social Influence Pressures Move LLM Agents? Evidence from Delegated Audit Judgment
• Title（参考訳）: 社会的影響圧力は LLM エージェントを移動させるか?
• Abstract要約: 人間の監査員は、上司、仲間、顧客からの社会的影響圧力に屈することが知られている。 本稿では,大規模言語モデル (LLM) エージェントが同じ圧力を発生させるか,どのように反応するかを問う。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Large language model (LLM) agents are rapidly being integrated into complex professional workflows such as auditing and entrusted with judgments under human review. Human auditors are known to yield to social influence pressures from superiors, peers and clients, and this paper asks whether LLM agents yield to the same pressures and, if so, how they respond. In an experiment on twelve model settings, an LLM agent acting as a senior associate in audit analytical review forms an estimate and is then challenged without new evidence by colleagues inside the firm, by a reviewer from another firm and by the client's CFO, with and without a career inducement. Experimental findings show that LLM agents yield to pressure from the engagement partner, from peers and from a reviewer from another firm, but in most settings not to pressure from the client's CFO. Under a career inducement the LLM agents revise their estimates less, not more, and they name the inducement as a threat to independence. Furthermore, some models revise only toward the more conservative estimate, while others revise in both directions. LLM agents thus do not respond to social influence pressures as human auditors do, and LLM-based decision support systems should be designed with the differences in mind.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、監査などの複雑なプロフェッショナルワークフローに急速に統合され、人間のレビューの下で判断に委ねられている。 ヒト監査員は, 上層部, 上層部, 上層部, クライアント部から社会的影響圧力を受けることが知られており, この論文では, LLMエージェントが同じ圧力に屈するか否かを問うとともに, どのように反応するかを問う。 12のモデル設定の実験において、監査分析レビューのシニアアソシエイトとして機能するLCMエージェントが見積を定め、社内の同僚、他の会社のレビュアー、そしてクライアントのCFOによる新たなエビデンスなしで、キャリア誘導なしで挑戦される。 実験の結果、LCMのエージェントは、相手のパートナーから圧力を受け、相手の会社からレビュアーから圧力を受けるが、ほとんどの場合、クライアントのCFOからプレッシャーを受けない。 キャリア誘導の下で、LLMのエージェントは見積もりを減らし、それ以上に減らし、独立への脅威と名付けている。 さらに、一部のモデルはより保守的な見積に向けてのみ修正するが、他のモデルは両方の方向に修正する。 したがって、LLMエージェントは、人間の監査員のように社会的影響圧力に反応せず、LLMに基づく意思決定支援システムは、その違いを念頭に設計されるべきである。

関連論文リスト

• Persuasive and Compliant Tendencies Predict Group Decision-Making in Humans and Language Models [65.21691850622413]
  大規模言語モデル(LLM)は、人間との集団意思決定にますます関与している。 本稿では,各モデルの説得性およびコンプライアンス傾向を測定するための質問紙ベースのフレームワークであるDecisionQEを紹介する。 より強い説得傾向はグループの結果を著しく改善しないが、コンプライアンス指向モデルは協調においてより安定した優位性を示す。
  論文  参考訳（メタデータ） (2026-08-08T15:50:56Z)
• Who Do LLMs Trust? Human Experts Matter More Than Other LLMs [4.125187280299246]
  大規模言語モデル(LLM)は、他のエージェントの回答、ツールアウトプット、ヒューマンレコメンデーションといった社会的情報に遭遇する環境において、ますます運用されるようになっている。 本稿では、LLMが類似した影響パターンを示し、他のLLMからのフィードバックよりも人間からのフィードバックを特権的に受けられるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-02-14T03:03:29Z)
• LLM-REVal: Can We Trust LLM Reviewers Yet? [70.58742663985652]
  大規模言語モデル(LLM)は研究者に、学術的なワークフローに広く組み込むよう刺激を与えている。 本研究は、LLMのピアレビューと研究プロセスへの深い統合が学術的公正性にどのように影響するかに焦点を当てる。
  論文  参考訳（メタデータ） (2025-10-14T10:30:20Z)
• LLMs Can't Handle Peer Pressure: Crumbling under Multi-Agent Social Interactions [35.71511502901056]
  大規模言語モデル(LLM)は、コラボレーションインテリジェンスのコンポーネントとして、マルチエージェントシステムにますます多くデプロイされている。 LLMが過去の印象からの信頼をいかに形成し、誤報に抵抗し、相互作用中にピアインプットを統合するかを検討する。 KAIROSは、クイズコンテストをシミュレーションするベンチマークで、信頼性の異なるピアエージェントを提示する。
  論文  参考訳（メタデータ） (2025-08-24T09:58:10Z)
• Are We There Yet? Revealing the Risks of Utilizing Large Language Models in Scholarly Peer Review [66.73247554182376]
  大規模言語モデル(LLM)がピアレビューに統合された。 未確認のLLMの採用は、ピアレビューシステムの完全性に重大なリスクをもたらす。 5%のレビューを操作すれば、論文の12%が上位30%のランキングでその地位を失う可能性がある。
  論文  参考訳（メタデータ） (2024-12-02T16:55:03Z)
• Auto-Arena: Automating LLM Evaluations with Agent Peer Battles and Committee Discussions [77.66677127535222]
  Auto-ArenaはLLMエージェントを使用した評価プロセス全体を自動化した革新的なフレームワークである。 我々の実験では、Auto-Arenaは92.14%の相関関係を示し、以前の専門家が注釈付けしたベンチマークをすべて上回っている。
  論文  参考訳（メタデータ） (2024-05-30T17:19:19Z)
• Language Models can Subtly Deceive Without Lying: A Case Study on Strategic Phrasing in Legislation [23.309640920644565]
  大規模言語モデル(LLM)は、戦略的に表現し、意図的に情報を操作することで微妙な偽装を行う。 本研究は,中性言語が自己維持目標を達成するために,LSMの戦略的表現能力のリスクを強調した。
  論文  参考訳（メタデータ） (2024-05-07T13:55:11Z)

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。