論文の概要: AI persuading AI vs AI persuading Humans: LLMs' Differential Effectiveness in Promoting Pro-Environmental Behavior

• arxiv url: http://arxiv.org/abs/2503.02067v1
• Date: Mon, 03 Mar 2025 21:40:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:15:54.117213
• Title: AI persuading AI vs AI persuading Humans: LLMs' Differential Effectiveness in Promoting Pro-Environmental Behavior
• Title（参考訳）: AIを説得する人間とAIを説得する人間--LLMの環境保護行動促進における差分効果
• Authors: Alexander Doudkin, Pat Pataranutaporn, Pattie Maes,
• Abstract要約: 環境保護行動(PEB)は気候変動に対処するために不可欠であるが、意識を意図や行動に変えることはいまだ明白である。 大規模言語モデル(LLM)をPEBを促進するツールとして検討し,その影響を3,200人の参加者で比較した。 人工的およびシミュレートされたエージェントは、介入後のEBスタンスに大きく影響し、ヒトの反応はほとんど変化しない。
• 参考スコア（独自算出の注目度）: 70.24245082578167
• License:
• Abstract: Pro-environmental behavior (PEB) is vital to combat climate change, yet turning awareness into intention and action remains elusive. We explore large language models (LLMs) as tools to promote PEB, comparing their impact across 3,200 participants: real humans (n=1,200), simulated humans based on actual participant data (n=1,200), and fully synthetic personas (n=1,200). All three participant groups faced personalized or standard chatbots, or static statements, employing four persuasion strategies (moral foundations, future self-continuity, action orientation, or "freestyle" chosen by the LLM). Results reveal a "synthetic persuasion paradox": synthetic and simulated agents significantly affect their post-intervention PEB stance, while human responses barely shift. Simulated participants better approximate human trends but still overestimate effects. This disconnect underscores LLM's potential for pre-evaluating PEB interventions but warns of its limits in predicting real-world behavior. We call for refined synthetic modeling and sustained and extended human trials to align conversational AI's promise with tangible sustainability outcomes.
• Abstract（参考訳）: 環境保護行動(PEB)は気候変動に対処するために不可欠であるが、意識を意図や行動に変えることはいまだ明白である。 実人(n=1,200)、実人(n=1,200)、実人(n=1,200)、完全合成人格(n=1,200)の3,200人を対象に,PEBを促進するためのツールとして,大規模言語モデル(LLM)を探索した。 3つのグループはそれぞれ、パーソナライズされたあるいは標準的なチャットボット(静的ステートメント)に直面し、4つの説得戦略(道徳的基盤、将来の自己連続性、行動指向、LLMが選択した「フリースタイル」)を採用した。 人工的およびシミュレートされたエージェントは、介入後のEBスタンスに大きく影響し、ヒトの反応はほとんど変化しない。 シミュレーション参加者は人間の傾向をよりよく近似するが、それでも過度に見積もる効果がある。 この切断は、LEMがPEB介入を事前に評価する可能性を示しているが、実際の行動を予測する限界について警告している。 私たちは、会話AIの約束と具体的な持続可能性の結果を一致させるために、洗練された合成モデリングと、持続的で拡張された人間のトライアルを要求します。

関連論文リスト

• Human Decision-making is Susceptible to AI-driven Manipulation [87.24007555151452]
  AIシステムは、ユーザの認知バイアスと感情的な脆弱性を利用して、有害な結果に向けてそれらを操縦する。 本研究では、経済的・感情的な意思決定の文脈におけるこのような操作に対する人間の感受性について検討した。
  論文  参考訳（メタデータ） (2025-02-11T15:56:22Z)
• OceanChat: The Effect of Virtual Conversational AI Agents on Sustainable Attitude and Behavior Change [70.24245082578167]
  本論文では,大規模言語モデルを活用した対話型システムであるOceanChatについて述べる。 人類同型と種認証のバランスをとることで、OceanChatは、インタラクティブな物語が環境知識と現実世界の行動変化のギャップを埋める方法を示している。
  論文  参考訳（メタデータ） (2025-02-05T03:45:33Z)
• MEReQ: Max-Ent Residual-Q Inverse RL for Sample-Efficient Alignment from Intervention [81.56607128684723]
  本稿では,人間の介入によるサンプル効率向上を目的としたMEReQ(Maximum-Entropy Residual-Q Inverse Reinforcement Learning)を紹介する。 MereQは、人間の専門家と以前の政策の根底にある報酬関数との相違を捉える残差報酬関数を推論する。 その後、Residual Q-Learning(RQL)を使用して、ポリシーをこの残留報酬関数を使用して人間の好みと整合させる。
  論文  参考訳（メタデータ） (2024-06-24T01:51:09Z)
• On the Conversational Persuasiveness of Large Language Models: A Randomized Controlled Trial [10.770999939834985]
  制御された無害な環境でAIによる説得の効果を分析する。 その結果、GPT-4を個人情報へのアクセスで議論した参加者は、人間を議論した参加者と比較して、相手との合意が増大する確率が81.7%高かった。
  論文  参考訳（メタデータ） (2024-03-21T13:14:40Z)
• Human vs. Machine: Behavioral Differences Between Expert Humans and Language Models in Wargame Simulations [1.6108153271585284]
  大規模言語モデル(LLM)は、高い軍事的意思決定シナリオにおいて、人間と異なる振る舞いを示す。 当社の結果は、自律性を認める前に政策立案者が慎重であること、あるいはAIベースの戦略レコメンデーションに従うことを動機付けています。
  論文  参考訳（メタデータ） (2024-03-06T02:23:32Z)
• "AI enhances our performance, I have no doubt this one will do the same": The Placebo effect is robust to negative descriptions of AI [18.760251521240892]
  高度なAI期待は、プラセボ効果を通じて人間とAIのインタラクションのパフォーマンスを促進する。 ユーザの期待がAIインタラクションや評価に与える影響について論じる。
  論文  参考訳（メタデータ） (2023-09-28T17:05:59Z)
• Fairness in AI and Its Long-Term Implications on Society [68.8204255655161]
  AIフェアネスを詳しく見て、AIフェアネスの欠如が、時間の経過とともにバイアスの深化につながるかを分析します。 偏りのあるモデルが特定のグループに対してよりネガティブな現実的な結果をもたらすかについて議論する。 問題が続くと、他のリスクとの相互作用によって強化され、社会不安という形で社会に深刻な影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2023-04-16T11:22:59Z)
• Learning to Influence Human Behavior with Offline Reinforcement Learning [70.7884839812069]
  人間の準最適性を捉える必要があるような環境での影響に焦点を当てる。 人間によるオンライン実験は安全ではない可能性があり、環境の高忠実度シミュレータを作成することは現実的ではないことが多い。 オフライン強化学習は、観察された人間・人間の行動の要素を拡張し、組み合わせることで、人間に効果的に影響を及ぼすことができることを示す。
  論文  参考訳（メタデータ） (2023-03-03T23:41:55Z)
• Best-Response Bayesian Reinforcement Learning with Bayes-adaptive POMDPs for Centaurs [22.52332536886295]
  本稿では,人間とAIの相互作用を逐次ゲームとして新たに定式化する。 このケースでは、有界人間によるより良い意思決定を支援するというAIの問題は、ベイズ対応のPOMDPに還元される。 我々は、機械が自身の限界と人間の助けを借りて改善する方法について議論する。
  論文  参考訳（メタデータ） (2022-04-03T21:00:51Z)

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。