[論文レビュー] Can Large Language Models Resolve Semantic Discrepancy in Self-Destructive Subcultures? Evidence from Jirai Kei

Peng Wang, Xilin Tao+6 more|arXiv (Cornell University)|Jan 8, 2026

Mental Health via Writing被引用数 0

ひとこと要約

要約: 本論文は Subcultural Alignment Solver (SAS) を導入し、3部構成のフレームワーク（リトリーバル、アライメントレポート、カルチャーアライメント）で Jirai Kei サブカルチャーにおける自己破壊的行動の検出を改善し、ベースラインを上回り、ファインチューニング済みモデルにも匹敵する。

ABSTRACT

Self-destructive behaviors are linked to complex psychological states and can be challenging to diagnose. These behaviors may be even harder to identify within subcultural groups due to their unique expressions. As large language models (LLMs) are applied across various fields, some researchers have begun exploring their application for detecting self-destructive behaviors. Motivated by this, we investigate self-destructive behavior detection within subcultures using current LLM-based methods. However, these methods have two main challenges: (1) Knowledge Lag: Subcultural slang evolves rapidly, faster than LLMs' training cycles; and (2) Semantic Misalignment: it is challenging to grasp the specific and nuanced expressions unique to subcultures. To address these issues, we proposed Subcultural Alignment Solver (SAS), a multi-agent framework that incorporates automatic retrieval and subculture alignment, significantly enhancing the performance of LLMs in detecting self-destructive behavior. Our experimental results show that SAS outperforms the current advanced multi-agent framework OWL. Notably, it competes well with fine-tuned LLMs. We hope that SAS will advance the field of self-destructive behavior detection in subcultural contexts and serve as a valuable resource for future researchers.

研究の動機と目的

• Jirai Kei のように急速に進化するサブカルチャー内で自己破壊的な行動を検出する必要性を動機づける。
• 知識遅延と意味的ミスマッチのために現在の LLM アプローチの制限を特定する。
• Subcultural Alignment Solver (SAS) を提案し、サブカルチャー知識の自動取得・報告・整合を実現する。
• SAS の有効性を prompting 方法やマルチエージェントのベースライン、ファインチューニング済み LLM との比較を含めて示す。

提案手法

• Subculture Retrieval: 対象サブカルチャーに関する情報を自動的にウェブ検索し、k 件の結果を返す。
• Alignment Report Generation: 取得結果を背景レポートとして統合し、用語と文脈を詳述する。
• Culture Alignment Solver: サブカルチャー整合を実行し、入力内容を解釈してタスクソルバーを介して最終ラベルを生成する。

実験結果

リサーチクエスチョン

• RQ1 現在の LLM ベースの方法は急速に進化するサブカルチャーとそのニュアンス表現を理解できるか。
• RQ2 取得と整合のアプローチが、一般的な言語使用とサブカルチャーの意図との間の意味的ギャップを縮小できるか。
• RQ3 SAS は Jirai Kei 自己破壊的行動検出において prompting、マルチエージェント、ファインチューニング済みベースラインと比較してどうか。

主な発見

• prompting 手法はサブカルチャー特有のタスクで性能が劣る。
• Agentic フレームワークは理解を向上させ、Self-Refine は LLM の間で一貫した利益を示す。
• OWL の自律ツール使用はこのサブカルチャー設定で最も強い性能を達成しない。
• SAS はテストされたモデルの中で最先端の性能を達成し、追加のファインチューニングなしでファインチューニング済み LLMs に匹敵できる。
• リトリーバルと言語の組み合わせが性能に影響を与え、英語リトリーブは一般により豊かな結果を生み、レポーティング言語は文化適応の恩恵を受ける。
• SAS は専門家のレポート生成評価に従い、他のサブカルチャー（メンヘラ、ヤミかわいい、天使介井和い/Tenshi Kaiwai）へ一般化できる。