論文の概要: Causal Effects with Unobserved Unit Types in Interacting Human-AI Systems
- arxiv url: http://arxiv.org/abs/2603.01339v1
- Date: Mon, 02 Mar 2026 00:31:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.634489
- Title: Causal Effects with Unobserved Unit Types in Interacting Human-AI Systems
- Title（参考訳）: 干渉型AIシステムにおける非観測単位型による因果効果
- Authors: William Overman, Sadegh Shirani, Mohsen Bayati,
- Abstract要約: 我々は,人間とAIエージェントの相互作用する集団に関する実験を行った。
我々は、各ユニットが人間である確率を与える前に、人間-AIを仮定する。
次に、因果メッセージパッシングフレームワークを用いて結果のダイナミクスをモデル化し、サブポピュレーション全体にわたるサンプル平均結果を分析する。
- 参考スコア（独自算出の注目度）: 8.500597009666526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study experiments on interacting populations of humans and AI agents, where both unit types and the interaction network remain unobserved. Although causal effects propagate throughout the system, the goal is to estimate effects on humans. Examples include online platforms where human users interact alongside AI-driven accounts. We assume a human-AI prior that gives each unit a probability of being human. While humans cannot be distinguished at the unit level, the prior allows us to compute the average human composition within large subpopulations. We then model outcome dynamics through a causal message passing (CMP) framework and analyze sample-mean outcomes across subpopulations. We show that by constructing subpopulations that vary in expected human composition and treatment exposure, one can consistently recover human-specific causal effects. Our results characterize when distributional knowledge of population composition (without observing unit types or the interaction network) is sufficient for identification. We validate the approach on a simulated human-AI platform driven by behaviorally differentiated LLM agents. Together, these results provide a theoretical and practical framework for experimentation in emerging human-AI systems.
- Abstract（参考訳）: 我々は,人間とAIエージェントの相互作用する集団に関する実験を行った。
因果効果はシステム全体に伝播するが、目標は人間への影響を推定することである。
例えば、人間がAI駆動のアカウントと対話するオンラインプラットフォームがある。
我々は、各ユニットが人間である確率を与える前に、人間-AIを仮定する。
人間は単位レベルでは区別できないが、前者は大きなサブ集団の中で平均的な人間の構成を計算することができる。
次に、因果メッセージパッシング(CMP)フレームワークを用いて結果のダイナミクスをモデル化し、サブポピュレーション間のサンプル平均結果を分析する。
人体組成や被曝量によって異なるサブポピュレーションを構築することで、ヒト特有の因果効果を継続的に回復できることが示される。
本研究は,集団構成の分布的知識(単位タイプや相互作用ネットワークの観察を伴わない)が同定に十分である場合に特徴付ける。
LLMエージェントによって駆動されるシミュレーションされた人間-AIプラットフォーム上でのアプローチを検証する。
これらの結果は、新興の人間-AIシステムにおいて、理論的かつ実践的な実験の枠組みを提供する。
関連論文リスト
- Humanlike AI Design Increases Anthropomorphism but Yields Divergent Outcomes on Engagement and Trust Globally [5.379750053447755]
世界中の10億人以上のユーザーが、人間の特性を模倣する洗練度を高めたAIシステムと対話している。
この変化は、人類同相性、人的特徴の合成剤への寄与、および不在の信頼や感情的依存を誘発する可能性に関する緊急の議論を引き起こしている。
一般的な安全フレームワークは、AIユーザのグローバルな多様性を見越して、西洋の人口に由来する理論的な仮定に依存し続けている。
論文 参考訳（メタデータ） (2025-12-19T18:57:53Z) - HumanPCR: Probing MLLM Capabilities in Diverse Human-Centric Scenes [72.26829188852139]
HumanPCRは、人間の視覚的コンテキストに関するMLLMの能力を調べるための評価スイートである。
Human-P、HumanThought-C、Human-Rは、6,000以上の人間認証された複数の選択質問を特徴としている。
Human-Rは、手動でキュレートされたビデオ推論テストを提供する。
論文 参考訳（メタデータ） (2025-08-19T09:52:04Z) - Co-Creative Learning via Metropolis-Hastings Interaction between Humans and AI [6.712251433139411]
我々は,人間とAIが相互に部分的な知覚情報と知識を統合して共通外部表現を構築する,共同創造学習を提案する。
我々は、このフレームワークをMetropolis-Hastingsネームゲーム(MHNG)に基づいた人間-AIインタラクションモデルを用いて実証的にテストした。
その結果,人間-AI対とMH系エージェントの相互作用による分類精度は有意に向上した。
ヒトの受入行動は、MH由来の受入確率と密接に一致した。
論文 参考訳（メタデータ） (2025-06-18T13:58:45Z) - Dehumanizing Machines: Mitigating Anthropomorphic Behaviors in Text Generation Systems [55.99010491370177]
このようなシステムアウトプットにどのように介入すれば人為的行動が緩和され、その付随する有害な結果が未検討のままである。
我々は,先行研究とクラウドソーシング研究の両方に根ざした介入の目録をまとめ,参加者がシステムアウトプットを編集し,人間らしくないようにした。
また,考えられる介入の景観を特徴づけ,異なる種類の介入の区別を明確化し,異なる介入の有効性を評価するための理論的基盤を提供するための概念的枠組みも開発している。
論文 参考訳（メタデータ） (2025-02-19T18:06:37Z) - Measuring Human Contribution in AI-Assisted Content Generation [66.06040950325969]
本研究は,AIによるコンテンツ生成における人間の貢献度を測定する研究課題を提起する。
人間の入力とAI支援出力の自己情報に対する相互情報を計算することにより、コンテンツ生成における人間の比例情報貢献を定量化する。
論文 参考訳（メタデータ） (2024-08-27T05:56:04Z) - Human-AI Coevolution [48.74579595505374]
Coevolution AIは、人間とAIアルゴリズムが相互に連続的に影響を及ぼすプロセスである。
本稿では,AIと複雑性科学の交点における新たな研究分野の基盤として,Coevolution AIを紹介した。
論文 参考訳（メタデータ） (2023-06-23T18:10:54Z) - A Cognitive Framework for Delegation Between Error-Prone AI and Human
Agents [0.0]
本研究では,認知にインスパイアされた行動モデルを用いて,人間エージェントとAIエージェントの両方の行動を予測する。
予測された振る舞いは、仲介者の使用を通じて人間とAIエージェントの制御を委譲するために使用される。
論文 参考訳（メタデータ） (2022-04-06T15:15:21Z) - Understanding the Effect of Out-of-distribution Examples and Interactive
Explanations on Human-AI Decision Making [19.157591744997355]
典型的な実験的なセットアップは、人間-AIチームの可能性を制限します。
インタラクティブな説明を支援する新しいインターフェースを開発し、人間がAI支援に積極的に取り組みます。
論文 参考訳（メタデータ） (2021-01-13T19:01:32Z) - Learning Models of Individual Behavior in Chess [4.793072503820555]
チェスにおける個人行動の高精度な予測モデルを構築した。
私たちの研究は、AIシステムを個人の行動とよりよく一致させる方法を示しています。
論文 参考訳（メタデータ） (2020-08-23T18:24:21Z) - Learning to Complement Humans [67.38348247794949]
オープンワールドにおけるAIに対するビジョンの高まりは、知覚、診断、推論タスクのために人間を補完できるシステムの開発に焦点を当てている。
我々は,人間-機械チームの複合的なパフォーマンスを最適化するために,エンド・ツー・エンドの学習戦略をどのように活用できるかを実証する。
論文 参考訳（メタデータ） (2020-05-01T20:00:23Z) - Joint Inference of States, Robot Knowledge, and Human (False-)Beliefs [90.20235972293801]
本稿では,人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)の認知能力が,ロボットとの相互作用にどのように影響するかを理解するために,対象状態,ロボット知識,人間(時間的)の認知能力の表現にグラフィカルモデルを採用することを提案する。
推論アルゴリズムは、複数のビューにまたがる全てのロボットから個別のpgを融合し、単一のビューから発生したエラーを克服するより効果的な推論能力を得る。
論文 参考訳（メタデータ） (2020-04-25T23:02:04Z)
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。