論文の概要: Learning interactions to boost human creativity with bandits and GPT-4

• arxiv url: http://arxiv.org/abs/2311.10127v1
• Date: Thu, 16 Nov 2023 16:53:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 15:53:55.192248
• Title: Learning interactions to boost human creativity with bandits and GPT-4
• Title（参考訳）: バンディットとGPT-4による人間の創造性を高めるための学習相互作用
• Authors: Ara Vartanian, Xiaoxi Sun, Yun-Shiuan Chuang, Siddharth Suresh, Xiaojin Zhu, Timothy T. Rogers
• Abstract要約: 我々は、人間の創造性、すなわち意味的特徴生成の限界を示す心理的タスクを採用する。 人間と言語AI(GPT-4)を用いた実験では、参加者がアルゴリズムによって生成されたヒントを要求できる変種に対して、標準タスクにおける振る舞いを対比する。 人間とAIはヒントからも同様の利点を示しており、驚くほど、AIの反応から学ぶバンディットは、人間の行動から学ぶのと同じプロンプト戦略を好む。
• 参考スコア（独自算出の注目度）: 10.817205577415434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper considers how interactions with AI algorithms can boost human creative thought. We employ a psychological task that demonstrates limits on human creativity, namely semantic feature generation: given a concept name, respondents must list as many of its features as possible. Human participants typically produce only a fraction of the features they know before getting "stuck." In experiments with humans and with a language AI (GPT-4) we contrast behavior in the standard task versus a variant in which participants can ask for algorithmically-generated hints. Algorithm choice is administered by a multi-armed bandit whose reward indicates whether the hint helped generating more features. Humans and the AI show similar benefits from hints, and remarkably, bandits learning from AI responses prefer the same prompting strategy as those learning from human behavior. The results suggest that strategies for boosting human creativity via computer interactions can be learned by bandits run on groups of simulated participants.
• Abstract（参考訳）: 本稿では,AIアルゴリズムとのインタラクションが人間の創造的思考をいかに促進するかを検討する。 私たちは、人間の創造性、すなわち意味的特徴生成の限界を示す心理的タスクを採用しています。 人間の参加者は通常、"stuck"を得る前に知っている機能のごく一部しか生成しない。 人間と言語ai(gpt-4)の実験では、標準タスクの振る舞いと、参加者がアルゴリズムで生成されたヒントを求めることができる変種を対比します。 アルゴリズムの選択は、ヒントがより多くの機能を生み出すのに役立つかどうかを示す、マルチアームのバンディットによって管理される。 人間とAIはヒントから同様の利点を示しており、驚くほど、AIの反応から学ぶバンドイットは、人間の行動から学ぶものと同じプロンプト戦略を好む。 この結果から,シミュレーション参加者群を対象とするバンドイットによって,コンピュータインタラクションによる創造性向上戦略が学べることが示唆された。

関連論文リスト

• Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
  模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。 本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
  論文  参考訳（メタデータ） (2024-07-22T06:12:21Z)
• Fiper: a Visual-based Explanation Combining Rules and Feature Importance [3.2982707161882967]
  説明可能な人工知能は、いわゆるブラックボックスアルゴリズムの予測を説明するツールとテクニックを設計することを目的としている。 本稿では,特徴量と組み合わせたルールを視覚的に記述する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-25T09:15:54Z)
• Dynamic Explanation Emphasis in Human-XAI Interaction with Communication Robot [2.6396287656676725]
  DynEmphは、XAI生成した説明を物理的表現で強調する場所を決定するためのコミュニケーションロボットの方法である。 特定のポイントをユーザに強調する効果を予測し、予測されたユーザ決定とAIが提案する決定との違いを最小化することを目指している。
  論文  参考訳（メタデータ） (2024-03-21T16:50:12Z)
• Unleashing the Emergent Cognitive Synergy in Large Language Models: A Task-Solving Agent through Multi-Persona Self-Collaboration [116.09561564489799]
  Solo Performance Promptingは、複数のペルソナと多ターンの自己コラボレーションをすることで、単一のLCMを認知的シナジストに変換する。 認知シナジスト(英: Cognitive Synergist)は、複雑なタスクにおける問題解決を強化するために、複数の心の強みと知識を協調的に結合するインテリジェントエージェントである。 より詳細な分析により,LLMに複数の微粒なペルソナを割り当てることによって,単一あるいは固定数のペルソナに比べて問題解決能力が向上することが示された。
  論文  参考訳（メタデータ） (2023-07-11T14:45:19Z)
• BO-Muse: A human expert and AI teaming framework for accelerated experimental design [58.61002520273518]
  我々のアルゴリズムは、人間の専門家が実験プロセスでリードすることを可能にする。 我々のアルゴリズムは、AIや人間よりも高速に、サブ線形に収束することを示す。
  論文  参考訳（メタデータ） (2023-03-03T02:56:05Z)
• Instructive artificial intelligence (AI) for human training, assistance, and explainability [0.24629531282150877]
  ニューラルネットワークが従来のAI(XAI)の代替手段として人間の研修生にどのように教えるかを示す。 AIは人間の行動を調べ、より良いパフォーマンスをもたらす人間の戦略のバリエーションを計算する。 結果は、ハナビにおける人間の意思決定と人間-AIチームを改善するAIインストラクションの能力について提示される。
  論文  参考訳（メタデータ） (2021-11-02T16:46:46Z)
• The Who in XAI: How AI Background Shapes Perceptions of AI Explanations [61.49776160925216]
  私たちは、2つの異なるグループ、つまりAIのバックグラウンドを持つ人々といない人たちの、異なるタイプのAI説明に対する理解について、混合手法による研究を行います。 その結果,(1) 両群は異なる理由から不合理な数に対する信頼を示し,(2) それぞれの群は意図した設計以上の異なる説明に価値を見出した。
  論文  参考訳（メタデータ） (2021-07-28T17:32:04Z)
• The MineRL BASALT Competition on Learning from Human Feedback [58.17897225617566]
  MineRL BASALTコンペティションは、この重要な種類の技術の研究を促進することを目的としている。 Minecraftでは、ハードコードされた報酬関数を書くのが難しいと期待する4つのタスクのスイートを設計しています。 これら4つのタスクのそれぞれについて、人間のデモのデータセットを提供するとともに、模擬学習ベースラインを提供する。
  論文  参考訳（メタデータ） (2021-07-05T12:18:17Z)
• Learning Human Rewards by Inferring Their Latent Intelligence Levels in Multi-Agent Games: A Theory-of-Mind Approach with Application to Driving Data [18.750834997334664]
  我々は、人間は有理論的であり、他人の意思決定過程を推論する際に異なる知能レベルを持っていると論じる。 学習中の人間の潜在知能レベルを推論する,新しいマルチエージェント逆強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-07T07:48:31Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)
• Cognitive Anthropomorphism of AI: How Humans and Computers Classify Images [0.0]
  人間は認知人類同型(英: Cognitive anthropomorphism)、つまりAIが人間の知性と同じ性質を持つことを期待する。 このミスマッチは、適切な人間とAIの相互作用に障害をもたらす。 私は、人間とAIの分類のミスマッチに対処できるシステム設計に3つの戦略を提供します。
  論文  参考訳（メタデータ） (2020-02-07T21:49:58Z)

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。