アノテーター立場性をシグナルとして活用：反自閉症的エイブリズム検出のための心理測定的重み付け Annotator Positionality as Signal: Psychometric Weighting for Anti-Autistic Ableism Detection
LLMが意思決定に使われる中、自閉症者への差別的言語検出にアノテーターの属性・立場を心理測定的に重み付けする手法を提案した研究。
English summary
- arXiv:2605.26397v1 Announce Type: new Abstract: Large language models (LLMs) are increasingly used in decision-making tasks where they can amplify or suppress perspectives, raising concerns in high-st
大規模言語モデル（LLM）が採用・医療・教育などの高リスク意思決定に活用される場面が増える中、モデルが特定の視点を増幅・抑制するリスクが指摘されている。本研究はその問題に対し、自閉症者に向けられたエイブリズム（能力主義的差別）の検出を題材として取り上げている。
手法の核心は「アノテーター立場性をシグナルとして扱う」点にある。従来のアノテーション集約では多数決や平均化が用いられるが、本研究ではアノテーターの属性・経験・当事者性を心理測定的に重み付けすることで、周辺化されたグループの視点をより正確にモデルへ反映させることを目指す。
詳細な実験設定・データセット・評価指標については原論文（arXiv:2605.26397）を参照されたい。ヘイトスピーチ検出や公平なNLPに関心のある研究者にとって注目の成果といえる。
As large language models are increasingly deployed in high-stakes domains such as hiring, healthcare, and education, concerns grow about their potential to amplify or suppress minority perspectives. This paper addresses that challenge through the lens of anti-autistic ableism detection, a relatively underexplored area in NLP fairness research.
The central contribution is treating annotator positionality—attributes such as disability identity, lived experience, and community membership—as a meaningful signal rather than noise. Rather than aggregating labels through majority vote or simple averaging, the authors apply psychometric weighting to better surface the perspectives of marginalized annotators, potentially yielding more representative ground-truth labels.
The approach has broader implications for dataset construction and model evaluation in sensitive domains. Specific experimental details, datasets, and benchmark results should be verified at the source paper (arXiv:2605.26397), as only the abstract was available at time of writing.
本ページの本文・要約は AI による自動生成です。正確性は元記事 (arxiv.org) をご確認ください。