論文の概要: Tackling One Health Risks: How Large Language Models are leveraged for Risk Negotiation and Consensus-building
- arxiv url: http://arxiv.org/abs/2509.09906v1
- Date: Fri, 12 Sep 2025 00:25:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-15 16:03:07.94966
- Title: Tackling One Health Risks: How Large Language Models are leveraged for Risk Negotiation and Consensus-building
- Title（参考訳）: 1つの健康リスクに対処する:リスクネゴシエーションとコンセンサス構築にいかに大きな言語モデルが活用されるか
- Authors: Alexandra Fetsch, Iurii Savvateev, Racem Ben Romdhane, Martin Wiedmann, Artemiy Dimov, Maciej Durkalec, Josef Teichmann, Jakob Zinsstag, Konstantinos Koutsoumanis, Andreja Rajkovic, Jason Mann, Mauro Tonolla, Monika Ehling-Schulz, Matthias Filter, Sophia Johler,
- Abstract要約: 本研究では,大規模言語モデル(LLM)とAIベースの自律エージェントを組み込んだAI支援交渉フレームワークを提案する。
このフレームワークは、ステークホルダーが交渉をシミュレートし、動的を体系的にモデル化し、妥協を予測し、ソリューションへの影響を評価することを可能にする。
- 参考スコア（独自算出の注目度）: 28.130694535835207
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Key global challenges of our times are characterized by complex interdependencies and can only be effectively addressed through an integrated, participatory effort. Conventional risk analysis frameworks often reduce complexity to ensure manageability, creating silos that hinder comprehensive solutions. A fundamental shift towards holistic strategies is essential to enable effective negotiations between different sectors and to balance the competing interests of stakeholders. However, achieving this balance is often hindered by limited time, vast amounts of information, and the complexity of integrating diverse perspectives. This study presents an AI-assisted negotiation framework that incorporates large language models (LLMs) and AI-based autonomous agents into a negotiation-centered risk analysis workflow. The framework enables stakeholders to simulate negotiations, systematically model dynamics, anticipate compromises, and evaluate solution impacts. By leveraging LLMs' semantic analysis capabilities we could mitigate information overload and augment decision-making process under time constraints. Proof-of-concept implementations were conducted in two real-world scenarios: (i) prudent use of a biopesticide, and (ii) targeted wild animal population control. Our work demonstrates the potential of AI-assisted negotiation to address the current lack of tools for cross-sectoral engagement. Importantly, the solution's open source, web based design, suits for application by a broader audience with limited resources and enables users to tailor and develop it for their own needs.
- Abstract（参考訳）: 我々の時代の重要なグローバルな課題は、複雑な相互依存によって特徴づけられ、統合された参加的努力によってのみ効果的に対処できる。
従来のリスク分析フレームワークは、管理可能性を確保するために複雑さを減らし、包括的なソリューションを妨げるサイロを作成する。
全体戦略への根本的なシフトは、異なるセクター間の効果的な交渉を可能にし、利害関係者の競合する利益のバランスをとるために不可欠である。
しかし、このバランスを達成するには、限られた時間、大量の情報、多様な視点を統合する複雑さによって妨げられることが多い。
本研究では、大規模言語モデル(LLM)とAIベースの自律エージェントを交渉中心のリスク分析ワークフローに組み込んだAI支援交渉フレームワークを提案する。
このフレームワークは、ステークホルダーが交渉をシミュレートし、動的を体系的にモデル化し、妥協を予測し、ソリューションへの影響を評価することを可能にする。
LLMのセマンティック分析機能を利用することで、情報過負荷を軽減し、時間制約の下で意思決定プロセスを強化することができる。
概念実証実装は,2つの現実シナリオで実施された。
一 殺生剤の巧妙な使用、及び
(II)野生動物の個体群管理を対象とする。
我々の研究は、クロスセクタエンゲージメントのためのツールの欠如に対処するために、AIによる交渉の可能性を実証している。
重要な点として、このソリューションのオープンソースでWebベースのデザインは、限られたリソースを持つ幅広い聴衆によるアプリケーションに適したもので、ユーザが自身のニーズに合わせてそれを調整し、開発することができる。
関連論文リスト
- Multi-Turn Puzzles: Evaluating Interactive Reasoning and Strategic Dialogue in LLMs [21.192619293355502]
大きな言語モデル(LLM)は、明確で完全なステートメントで問題を解決するのに優れています。
このベンチマークは、複雑でインタラクティブなシナリオを扱う上で、現在のLLMの長所と短所に関する貴重な洞察を提供する。
論文 参考訳（メタデータ） (2025-08-13T19:14:45Z) - An Outlook on the Opportunities and Challenges of Multi-Agent AI Systems [32.48561526824382]
マルチエージェントAIシステム(MAS)は、内部生成モデルに基づいて対話、情報交換、意思決定を行う複数の自律エージェントで構成されている。
本稿では,MASを解析するための形式的枠組みについて概説する。
論文 参考訳（メタデータ） (2025-05-23T22:05:19Z) - Towards Agentic Recommender Systems in the Era of Multimodal Large Language Models [75.4890331763196]
大規模言語モデル(LLM)の最近のブレークスルーは、エージェントAIシステムの出現につながっている。
LLMベースのAgentic RS(LLM-ARS)は、よりインタラクティブで、コンテキストを認識し、プロアクティブなレコメンデーションを提供する。
論文 参考訳（メタデータ） (2025-03-20T22:37:15Z) - An Overview of Large Language Models for Statisticians [109.38601458831545]
大規模言語モデル(LLM)は人工知能(AI)の変換ツールとして登場した。
本稿では, 統計学者がLLMの開発に重要な貢献できる可能性について考察する。
我々は不確実性定量化、解釈可能性、公正性、プライバシー、透かし、モデル適応といった問題に焦点を当てる。
論文 参考訳（メタデータ） (2025-02-25T03:40:36Z) - Agentic LLM Framework for Adaptive Decision Discourse [2.4919169815423743]
本研究では,実世界のエージェント型大規模言語モデル(LLM)フレームワークを紹介する。
従来の意思決定支援ツールとは異なり、このフレームワークは対話、トレードオフ探索、エージェント間の相互作用によって生成される創発的なシナジーを強調している。
その結果、第1次探索がいかに堅牢で公平なレコメンデーションパスを育むかが明らかとなった。
論文 参考訳（メタデータ） (2025-02-16T03:46:37Z) - Protocol Learning, Decentralized Frontier Risk and the No-Off Problem [56.74434512241989]
私たちは第3のパラダイムであるプロトコル学習(Protocol Learning)を特定します。
このアプローチは、単一の集中型エンティティよりも桁違いに多くの計算資源を集約する可能性がある。
また、不均一で信頼性の低いノード、悪意のある参加者、インセンティブを維持するために抽出不可能なモデルの必要性、複雑なガバナンスのダイナミクスなど、新しい課題も導入されている。
論文 参考訳（メタデータ） (2024-12-10T19:53:50Z) - Cooperate or Collapse: Emergence of Sustainable Cooperation in a Society of LLM Agents [101.17919953243107]
GovSimは、大規模言語モデル(LLM)における戦略的相互作用と協調的意思決定を研究するために設計された生成シミュレーションプラットフォームである。
最強のLSMエージェントを除く全てのエージェントは、GovSimの持続的均衡を達成することができず、生存率は54%以下である。
道徳的思考の理論である「大学化」に基づく推論を活用するエージェントは、持続可能性を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2024-04-25T15:59:16Z) - A Survey on Human-AI Collaboration with Large Foundation Models [11.837685062760132]
HAI(Human-AI:Human-AI)コラボレーションは、問題解決と意思決定のプロセスを進める上で重要である。
LFM(Large Foundation Models)の出現は、前例のない機能を提供し、その可能性を大きく拡大した。
本稿では, LFMとHAIの重要統合を概観し, 可能性とリスクの両面に注目した。
論文 参考訳（メタデータ） (2024-03-07T22:37:49Z) - Reasoning Capacity in Multi-Agent Systems: Limitations, Challenges and
Human-Centered Solutions [14.398238217358116]
推論能力の形式的定義を提示し,システムの各コンポーネント内の制限を識別する上で,その有用性を示す。
そして、これらの制限が、人間のフィードバックを使って推論の欠点を緩和する自己反射的プロセスによってどのように対処できるかについて議論する。
論文 参考訳（メタデータ） (2024-02-02T02:53:11Z) - Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。
合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。
我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
論文 参考訳（メタデータ） (2023-09-29T13:33:06Z)
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。