論文の概要: The Keyhole Effect: Why Chat Interfaces Fail at Data Analysis
- arxiv url: http://arxiv.org/abs/2602.00947v1
- Date: Sun, 01 Feb 2026 00:38:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.480309
- Title: The Keyhole Effect: Why Chat Interfaces Fail at Data Analysis
- Title（参考訳）: キーホール効果:なぜチャットインターフェースがデータ分析で機能しないのか
- Authors: Mohan Reddy,
- Abstract要約: チャットインタフェースは5つのメカニズムを通じて解析性能を体系的に低下させることを示す。
私は認知的過負荷を O = max(0, m - v - W) として定式化し、ここで m はタスク関連項目、 v は可視項目、 W はワーキングメモリ容量である。
ジェネレーティブUI、Infinite Canvas、Deictic Interaction、State Rail、Ghost Layers、Mise in Place、Semantic Zoom、Probabilistic UIである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Chat has become the default interface for AI-assisted data analysis. For multi-step, state-dependent analytical tasks, this is a mistake. Building on Woods (1984) Keyhole Effect, the cognitive cost of viewing large information spaces through narrow viewports, I show that chat interfaces systematically degrade analytical performance through five mechanisms: (1) constant content displacement defeats hippocampal spatial memory systems; (2) hidden state variables exceed working memory capacity (approximately 4 chunks under load); (3) forced verbalization triggers verbal overshadowing, degrading visual pattern recognition; (4) linear text streams block epistemic action and cognitive offloading; (5) serialization penalties scale with data dimensionality. I formalize cognitive overload as O = max(0, m - v - W) where m is task-relevant items, v is visible items, and W is working memory capacity. When O > 0, error probability increases and analytical biases (anchoring, confirmation, change blindness) amplify. Eight hybrid design patterns address these failures: Generative UI, Infinite Canvas, Deictic Interaction, State Rail, Ghost Layers, Mise en Place, Semantic Zoom, and Probabilistic UI. Each pattern targets specific cognitive bottlenecks while preserving natural language for intent specification and synthesis. Well-scaffolded conversational systems that encode expert priors may reduce load for guided tasks; the framework applies most strongly to open-ended exploration. The paper concludes with falsifiable hypotheses and experimental paradigms for empirical validation.
- Abstract（参考訳）: チャットはAI支援データ分析のデフォルトインターフェースになっている。
多段階の状態依存分析タスクの場合、これは間違いである。
木製 (1984) キーホール効果, 狭い視野ポートを通して大きな情報空間を見るための認知コスト, チャットインタフェースは, 1) 海馬空間記憶システムに一定のコンテンツ変位を負わせる, (2) 隠れ状態変数は作業記憶能力を超える(約4チャンク), (3) 強制的動詞化は動詞のオーバーシャドイング, 視覚的パターン認識, (4) 線形テキストストリームは, エピステミック動作と認知的オフロードをブロックする, (5) 連続的ペナルティはデータ次元と共にスケールする, という5つのメカニズムを通じて, 解析的性能を体系的に低下させることを示した。
私は認知的過負荷を O = max(0, m - v - W) として定式化し、ここで m はタスク関連項目、 v は可視項目、 W はワーキングメモリ容量である。
O>0の場合には、エラー確率が増加し、分析バイアス(アンコリング、確認、盲目の変化)が増幅される。
ジェネレーティブUI、Infinite Canvas、Deictic Interaction、State Rail、Ghost Layers、Mise in Place、Semantic Zoom、Probabilistic UIである。
それぞれのパターンは、意図的な仕様と合成のために自然言語を保存しながら、特定の認知的ボトルネックをターゲットにしている。
専門家の事前情報をエンコードする十分に展開された会話システムは、ガイドされたタスクの負荷を減らす可能性がある。
本論文は,実証的検証のための実証可能な仮説と実験パラダイムで締めくくっている。
関連論文リスト
- Dual Latent Memory for Visual Multi-agent System [69.29799381195592]
Visual Multi-Agent Systems (VMAS)は、エージェント間のコラボレーションを通じて包括的な能力を強化することを約束する。
増量剤は、指数関数的にトークンコストを膨らませながら、しばしば性能を低下させる。
L$2$-VMASは,2つの潜在記憶を用いたエージェント間コラボレーションを実現する新しいモデルに依存しないフレームワークである。
論文 参考訳（メタデータ） (2026-01-31T02:49:10Z) - Mind the Gap: Why Neural Memory Fails Under Semantic Density [0.0]
現在のAIシステムは、この分離を欠き、ニューラルウェイトだけで両方の機能を試みている。
オンラインニューラルメモリの'安定性ギャップ'を識別する。
崩壊はN=5の事実を高密度で示している。
また、本運用システムでは、スキーマドリフトとバージョンあいまいさを主要な障害モードとみなしています。
論文 参考訳（メタデータ） (2026-01-14T18:55:23Z) - Cognitively-Inspired Episodic Memory Architectures for Accurate and Efficient Character AI [1.0742675209112622]
大規模な言語モデルは、対話システムに歴史的な文字を具現化することを約束するが、既存のアプローチは重要なトレードオフに直面している。
本稿では、オフラインデータ拡張と、構造化エピソードメモリからの効率的な並列検索により、この緊張を解消するアーキテクチャを提案する。
本システムでは,2段階検索で0.52秒の即時生成を実現し,生涯データを1,774個の濃厚な初対人記憶に変換する。
論文 参考訳（メタデータ） (2025-11-01T02:26:16Z) - Neural Transparency: Mechanistic Interpretability Interfaces for Anticipating Model Behaviors for Personalized AI [9.383958408772694]
チャットボットの設計中に言語モデルの内部を露出することで、神経透過性を実現するインターフェースを導入する。
本手法は, 対立する動作を誘発する対照的なシステムプロンプト間のニューラルアクティベーションの差を計算することで, 行動特性ベクトルを抽出する。
この研究は、非技術ユーザに対して解釈可能性をどのように運用するかの道を提供し、より安全でより整合した人間とAIのインタラクションのための基盤を確立する。
論文 参考訳（メタデータ） (2025-10-31T20:03:52Z) - SHALE: A Scalable Benchmark for Fine-grained Hallucination Evaluation in LVLMs [52.03164192840023]
LVLM(Large Vision-Language Models)は、いまだ幻覚に悩まされている。
本稿では,スケーラブルで制御可能で多様な評価データを生成する自動データ構築パイプラインを提案する。
我々は,忠実度と事実性幻覚の両方を評価するためのベンチマークであるSHALEを構築した。
論文 参考訳（メタデータ） (2025-08-13T07:58:01Z) - Feedback-Enhanced Hallucination-Resistant Vision-Language Model for Real-Time Scene Understanding [2.28438857884398]
リアルタイムシーン理解は人工知能の重要な進歩である。
幻覚は依然として挑戦です
このアプローチでは、AIに自己認識を組み込むことによって、この問題に対処しています。
ロボットナビゲーションからセキュリティ監視まで、アプリケーションに優れています。
論文 参考訳（メタデータ） (2025-04-07T06:59:30Z) - Visual Agents as Fast and Slow Thinkers [88.1404921693082]
本稿では、Fast and Slow Thinking機構を視覚エージェントに組み込んだFaSTを紹介する。
FaSTは、システム1/2モード間の動的選択にスイッチアダプタを使用する。
モデルの信頼性を調整し、新しいコンテキストデータを統合することで、不確実で目に見えないオブジェクトに取り組む。
論文 参考訳（メタデータ） (2024-08-16T17:44:02Z) - INVIGORATE: Interactive Visual Grounding and Grasping in Clutter [56.00554240240515]
INVIGORATEは、自然言語で人間と対話し、特定の物体をクラッタで把握するロボットシステムである。
我々は、物体検出、視覚的接地、質問生成、OBR検出と把握のために、別々のニューラルネットワークを訓練する。
我々は、学習したニューラルネットワークモジュールを統合する、部分的に観測可能なマルコフ決定プロセス(POMDP)を構築します。
論文 参考訳（メタデータ） (2021-08-25T07:35:21Z)
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。