Fugu-MT 論文翻訳(概要): Shifting Work Patterns with Generative AI

論文の概要: Shifting Work Patterns with Generative AI

arxiv url: http://arxiv.org/abs/2504.11436v1
Date: Tue, 15 Apr 2025 17:52:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-23 23:00:08.758142
Title: Shifting Work Patterns with Generative AI
Title（参考訳）: ジェネレーティブAIによるワークパターンのシフト
Authors: Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica, Christopher T. Stanton,
Abstract要約: 本稿では,生産型AIが知識労働者の作業パターンをどのように変えるかを示す。 6000人の労働者の半数は、電子メール、文書作成、会議にすでに使用しているアプリケーションに統合された生成AIツールにアクセスした。
参考スコア（独自算出の注目度）: 2.2686659871784043
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present evidence on how generative AI changes the work patterns of knowledge workers using data from a 6-month-long, cross-industry, randomized field experiment. Half of the 6,000 workers in the study received access to a generative AI tool integrated into the applications they already used for emails, document creation, and meetings. We find that access to the AI tool during the first year of its release primarily impacted behaviors that could be changed independently and not behaviors that required coordination to change: workers who used the tool spent 3 fewer hours, or 25% less time on email each week (intent to treat estimate is 1.4 hours) and seemed to complete documents moderately faster, but did not significantly change time spent in meetings.
Abstract（参考訳）: 本研究では,6ヶ月にわたるクロス産業的ランダム化フィールド実験から得られたデータを用いて,生産型AIが知識労働者の作業パターンをどのように変えるかを示す。 6000人の労働者の半数は、電子メール、文書作成、会議にすでに使用しているアプリケーションに統合された生成AIツールにアクセスした。ツールを使用した作業者は、週に3時間、あるいは25%の時間をEメールに費やし(見積もりの処理に要する時間は1.4時間)、ドキュメントを適度に高速に完了したように思われましたが、ミーティングで費やした時間を大きく変えませんでした。

関連論文リスト

Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity [0.5789840336223054]
広く採用されているにもかかわらず、ソフトウェア開発におけるAIツールの影響はいまだ検討されていない。 2025年2月から6月までのフロンティアにおけるAIツールが、経験豊富なオープンソース開発者の生産性にどのように影響するかを理解するために、ランダム化制御トライアル(RCT)を実施しています。適度なAI経験を持つ16人の開発者が、平均5年間の経験を持つ成熟したプロジェクトで246のタスクを完了した。
論文参考訳（メタデータ） (2025-07-12T00:16:33Z)
AGI Is Coming... Right After AI Learns to Play Wordle [4.2909314120969855]
マルチモーダルエージェント、特にOpenAIのComputer-User Agent (CUA)は、人間のように標準的なコンピュータインターフェースを通じてタスクを制御および完了するよう訓練されている。 The New York Times Wordle game におけるエージェントのパフォーマンスを評価し,モデル行動の抽出と欠点の同定を行った。
論文参考訳（メタデータ） (2025-04-21T20:58:58Z)
Early Impacts of M365 Copilot [12.676018679245672]
我々は、AIがいかにして知識労働者の仕事の仕方を変えつつあるかについて、最も初期の証拠をいくつか提示する。さまざまな産業や職業において、共通コアタスクの大幅な削減が期待できる。技術が新しくなったにもかかわらず、ツールにアクセスできる労働者の40%近くが、6ヶ月にわたる研究で定期的に利用している。
論文参考訳（メタデータ） (2025-04-15T17:55:32Z)
Tool-as-Interface: Learning Robot Policies from Human Tool Usage through Imitation Learning [16.394434999046293]
ツール使用時の知識を人間からロボットに伝達する枠組みを提案する。我々は,ミートボールスクーピング,パンフリップ,ワインボトルのバランス,その他の複雑なタスクなど,現実世界のさまざまなタスクに対するアプローチを検証する。
論文参考訳（メタデータ） (2025-04-06T20:40:19Z)
Towards Decoding Developer Cognition in the Age of AI Assistants [9.887133861477233]
本稿では,生理的計測(EEGとアイトラッキング)とインタラクションデータを組み合わせて,AI支援プログラミングツールの開発者による使用状況を調べるための制御された観察的研究を提案する。私たちは、認知負荷とタスク完了時間を計測しながら、AIアシストの有無に関わらず、プログラムタスクを完了させるために、プロの開発者を募集します。
論文参考訳（メタデータ） (2025-01-05T23:25:21Z)
TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks [52.46737975742287]
私たちは小さなソフトウェア企業環境を模倣したデータによる自己完結型環境を構築します。最も競争力のあるエージェントでは、タスクの24%が自律的に完了できます。これは、LMエージェントによるタスク自動化に関するニュアンスな絵を描く。
論文参考訳（メタデータ） (2024-12-18T18:55:40Z)
How much does AI impact development speed? An enterprise-based randomized controlled trial [8.759453531975668]
複雑なエンタープライズレベルのタスクに開発者が費やす時間に対する3つのAI機能の影響を見積もる。また、コード関連のアクティビティに1日あたり何時間も費やす開発者は、AIがより速くなるという興味深い効果も見出しました。
論文参考訳（メタデータ） (2024-10-16T18:31:14Z)
Why is AI not a Panacea for Data Workers? An Interview Study on Human-AI Collaboration in Data Storytelling [73.14508303965683]
業界と学界の18人のデータワーカーにインタビューして、AIとのコラボレーションの場所と方法を聞いた。驚いたことに、参加者はAIとのコラボレーションに興奮を見せたが、彼らの多くは反感を表明し、曖昧な理由を指摘した。
論文参考訳（メタデータ） (2023-04-17T15:30:05Z)
Crowdsourcing with Meta-Workers: A New Way to Save the Budget [50.04836252733443]
我々は,AIに適したタスクの種類をメタラーニングで学習したマシンアノテータであるEmphmeta-workerの概念を紹介した。一般の群衆労働者とは異なり、メタワーカーは信頼性があり、安定しており、さらに重要なことはタイヤレスで自由である。
論文参考訳（メタデータ） (2021-11-07T12:40:29Z)
AURSAD: Universal Robot Screwdriving Anomaly Detection Dataset [80.6725125503521]
本報告では,UR3eシリーズロボットとOnRobot Screwdriverを用いて作成したデータセットについて述べる。その結果得られたデータは、正常および異常なロボット動作の2042のサンプルを含んでいる。このデータを使用した短いMLベンチマークも提供されており、さらなる分析と実験のためのデータの適合性と可能性を示している。
論文参考訳（メタデータ） (2021-02-02T09:59:23Z)
A Framework for Efficient Robotic Manipulation [79.10407063260473]
単一のロボットアームがピクセルからスパースリワード操作ポリシーを学習できることを示します。デモは10回しかなく、単一のロボットアームがピクセルからスパースリワード操作のポリシーを学習できることを示しています。
論文参考訳（メタデータ） (2020-12-14T22:18:39Z)
COG: Connecting New Skills to Past Experience with Offline Reinforcement Learning [78.13740204156858]
我々は、動的プログラミングによって新しいスキルを拡張するために、事前データを再利用できることを示します。我々は、新しいタスクを解決するために、以前のデータセットに見られるいくつかの動作をチェーンすることで、アプローチの有効性を実証する。我々は、高次元画像観察を低レベルのロボット制御コマンドにマッピングし、エンドツーエンドでポリシーを訓練する。
論文参考訳（メタデータ） (2020-10-27T17:57:29Z)
Visual Imitation Made Easy [102.36509665008732]
本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
論文参考訳（メタデータ） (2020-08-11T17:58:50Z)
iTAML: An Incremental Task-Agnostic Meta-learning Approach [123.10294801296926]
人間は経験が成長するにつれて、新しい知識を継続的に学ぶことができる。ディープニューラルネットワークにおける以前の学習は、新しいタスクでトレーニングされたときにすぐに消えてしまう可能性がある。遭遇した全てのタスク間の平衡を維持するために,新しいメタラーニング手法を導入する。
論文参考訳（メタデータ） (2020-03-25T21:42:48Z)

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。