論文の概要: Human-AI collaboration or obedient and often clueless AI in instruct, serve, repeat dynamics?

• arxiv url: http://arxiv.org/abs/2508.10919v1
• Date: Sun, 03 Aug 2025 11:43:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-24 10:27:26.458308
• Title: Human-AI collaboration or obedient and often clueless AI in instruct, serve, repeat dynamics?
• Title（参考訳）: 人間とAIのコラボレーション、あるいは従順で、しばしば指示、サービス、繰り返しのAI?
• Authors: Mohammed Saqr, Kamila Misiejuk, Sonsoles López-Pernas,
• Abstract要約: 本研究では,複雑な問題を解きながら人間とAIの相互作用を考察する。 発見は、協調的な交渉よりも反復的な順序付けによって特徴づけられる相互作用による指導的パターンが支配的であることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While research on human-AI collaboration exists, it mainly examined language learning and used traditional counting methods with little attention to evolution and dynamics of collaboration on cognitively demanding tasks. This study examines human-AI interactions while solving a complex problem. Student-AI interactions were qualitatively coded and analyzed with transition network analysis, sequence analysis and partial correlation networks as well as comparison of frequencies using chi-square and Person-residual shaded Mosaic plots to map interaction patterns, their evolution, and their relationship to problem complexity and student performance. Findings reveal a dominant Instructive pattern with interactions characterized by iterative ordering rather than collaborative negotiation. Oftentimes, students engaged in long threads that showed misalignment between their prompts and AI output that exemplified a lack of synergy that challenges the prevailing assumptions about LLMs as collaborative partners. We also found no significant correlations between assignment complexity, prompt length, and student grades suggesting a lack of cognitive depth, or effect of problem difficulty. Our study indicates that the current LLMs, optimized for instruction-following rather than cognitive partnership, compound their capability to act as cognitively stimulating or aligned collaborators. Implications for designing AI systems that prioritize cognitive alignment and collaboration are discussed.
• Abstract（参考訳）: 人間とAIのコラボレーションの研究は存在するが、主に言語学習を調査し、認知に要求されるタスクにおけるコラボレーションの進化やダイナミクスにほとんど注意を払わずに、従来のカウント手法を使用した。 本研究では,複雑な問題を解きながら人間とAIの相互作用を考察する。 学生とAIの相互作用は, 遷移ネットワーク解析, シーケンス解析, 部分相関ネットワーク, および, カイ四角形および人陰影モザイクプロットを用いて, 相互作用パターン, 進化, 問題複雑度, 生徒のパフォーマンスとの関係を定性的に解析し, 解析した。 発見は、協調的な交渉よりも反復的な順序付けによって特徴づけられる相互作用による指導的パターンが支配的であることを示している。 しばしば、学生は長いスレッドに従事し、そのプロンプトとAI出力の間に不整合を示し、共同パートナーとしてのLLMに関する一般的な仮定に挑戦する相乗効果の欠如を実証する。 また, 課題の複雑さ, 即時長, 学生の成績との間には, 認知深度の欠如, 問題難易度の影響について有意な相関は認められなかった。 本研究は,認知的連携よりも指導フォローに最適化された現在のLSMが,認知的刺激的・協調的協力者として機能する能力を組み合わせたものであることを示唆する。 認知アライメントと協調を優先するAIシステムを設計することの意味について論じる。

関連論文リスト

• Classifying Epistemic Relationships in Human-AI Interaction: An Exploratory Approach [0.6906005491572401]
  本研究は,研究と教育の文脈において,ユーザがAIをどのように評価し,信頼し,協力するかを調査する。 専門分野にまたがる31人の学者へのインタビューをもとに、5つのパートのコードブックを作成し、5つの関係タイプを特定した。
  論文  参考訳（メタデータ） (2025-08-02T23:41:28Z)
• Exploring Artificial Intelligence Tutor Teammate Adaptability to Harness Discovery Curiosity and Promote Learning in the Context of Interactive Molecular Dynamics [1.0484829165073797]
  本研究では,人工知能学習者チームメイト(AI)が,視覚分子ダイナミクスプラットフォーム上でのインタラクティブ分子ダイナミクス(IMD)タスクにおける学生の好奇心によるエンゲージメントと学習効率に与える影響について検討した。 この研究は、AIの介入が学生のエンゲージメントをどのように形成し、発見好奇心を育み、IMD学習環境におけるチームのパフォーマンスを高めるかをさらに評価する。
  論文  参考訳（メタデータ） (2025-06-26T19:30:25Z)
• When LLMs Team Up: The Emergence of Collaborative Affective Computing [17.777196145195866]
  本調査は, Affective Computing (AC) におけるLarge Language Models (LLMs) ベースのコラボレーションシステムの概要を概観することを目的とする。 LLMは、感情的な理解と生成タスクに対する統一的なアプローチを提供し、動的でリアルタイムな相互作用の可能性を高める。 この研究は、ACのLLMと協調的なインテリジェンスを体系的に探求する最初のものであり、人間のようなソーシャルインテリジェンスにアプローチするより強力なアプリケーションへの道を開いた。
  論文  参考訳（メタデータ） (2025-06-02T14:00:54Z)
• From Consumption to Collaboration: Measuring Interaction Patterns to Augment Human Cognition in Open-Ended Tasks [2.048226951354646]
  ジェネレーティブAIの台頭、特に大規模言語モデル(LLM)は、知識労働における認知過程を根本的に変えるものである。 本稿では、認知活動モード(探索対搾取)と認知エンゲージメントモード(建設対有害)の2つの側面に沿って相互作用パターンを分析する枠組みを提案する。
  論文  参考訳（メタデータ） (2025-04-03T17:20:36Z)
• Multi-agent cooperation through learning-aware policy gradients [53.63948041506278]
  利己的な個人はしばしば協力に失敗し、マルチエージェント学習の根本的な課題を提起する。 本稿では,学習型強化学習のための,偏見のない高導出性ポリシー勾配アルゴリズムを提案する。 我々は, 受刑者のジレンマから, 自己関心のある学習エージェントの間でどのように, いつ, 協力関係が生じるかの新たな説明を得た。
  論文  参考訳（メタデータ） (2024-10-24T10:48:42Z)
• Mutual Theory of Mind in Human-AI Collaboration: An Empirical Study with LLM-driven AI Agents in a Real-time Shared Workspace Task [56.92961847155029]
  心の理論(ToM)は、他人を理解する上で重要な能力として、人間の協調とコミュニケーションに大きな影響を及ぼす。 Mutual Theory of Mind (MToM) は、ToM能力を持つAIエージェントが人間と協力するときに発生する。 エージェントのToM能力はチームのパフォーマンスに大きな影響を与えず,エージェントの人間的理解を高めていることがわかった。
  論文  参考訳（メタデータ） (2024-09-13T13:19:48Z)
• Human-AI collaboration is not very collaborative yet: A taxonomy of interaction patterns in AI-assisted decision making from a systematic review [6.013543974938446]
  意思決定支援システムにおける人工知能の活用は、技術的進歩に不相応に焦点を合わせてきた。 人間中心の視点は、既存のプロセスとのシームレスな統合のためにAIソリューションを設計することで、この懸念を緩和しようとする。
  論文  参考訳（メタデータ） (2023-10-30T17:46:38Z)
• Re-mine, Learn and Reason: Exploring the Cross-modal Semantic Correlations for Language-guided HOI detection [57.13665112065285]
  ヒューマンオブジェクトインタラクション(HOI)検出は、コンピュータビジョンの課題である。 本稿では,構造化テキスト知識を組み込んだHOI検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-25T14:20:52Z)
• 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)

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。