論文の概要: Delegation and Verification Under AI

• arxiv url: http://arxiv.org/abs/2603.02961v1
• Date: Tue, 03 Mar 2026 13:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.808437
• Title: Delegation and Verification Under AI
• Title（参考訳）: AIによるデリゲートと検証
• Authors: Lingxiao Huang, Wenyang Xiao, Nisheeth K. Vishnoi,
• Abstract要約: 我々は、合理的な作業者の最適化問題の解決策として、デリゲートと検証をモデル化する。 我々はAIが*相転移を誘導することを示した。 これらの結果は、AIが制度的労働者の質を再評価する構造的メカニズムを特定する。
• 参考スコア（独自算出の注目度）: 22.05784880098445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As AI systems enter institutional workflows, workers must decide whether to delegate task execution to AI and how much effort to invest in verifying AI outputs, while institutions evaluate workers using outcome-based standards that may misalign with workers' private costs. We model delegation and verification as the solution to a rational worker's optimization problem, and define worker quality by evaluating an institution-centered utility (distinct from the worker's objective) at the resulting optimal action. We formally characterize optimal worker workflows and show that AI induces *phase transitions*, where arbitrarily small differences in verification ability lead to sharply different behaviors. As a result, AI can amplify workers with strong verification reliability while degrading institutional worker quality for others who rationally over-delegate and reduce oversight, even when baseline task success improves and no behavioral biases are present. These results identify a structural mechanism by which AI reshapes institutional worker quality and amplifies quality disparities between workers with different verification reliability.
• Abstract（参考訳）: AIシステムが機関のワークフローに入るとき、労働者はAIにタスク実行を委譲するか、AIのアウトプットを検証するためにどれだけの労力を費やすかを決定する必要がある。 我々は、合理的な作業者の最適化問題の解決策としてデリゲートと検証をモデル化し、その結果の最適行動において、機関中心の実用性(作業者の目的とは異なる)を評価することにより、作業品質を定義する。 我々は、最適なワーカーワークフローを正式に特徴付け、AIが*フェーズ遷移を誘導することを示す。 その結果、AIは、ベースラインタスクの成功が改善し、行動バイアスがない場合でも、合理的に過度に過度に低下し、過度な監視を減らし、機関の作業品質を低下させながら、信頼性の高い労働者を増幅することができる。 これらの結果は、AIが制度的労働者の質を再評価し、信頼性の異なる労働者間の品質格差を増幅する構造的メカニズムを特定する。

関連論文リスト

• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• Agentic Confidence Calibration [67.50096917021521]
  Holistic Trajectory (HTC)はAIエージェントの新しい診断フレームワークである。 HTCはキャリブレーションと差別の両方において、強力なベースラインを一貫して超えている。 HTCは、障害の背後にあるシグナルを明らかにすることによって、解釈可能性を提供する。
  論文  参考訳（メタデータ） (2026-01-22T09:08:25Z)
• Bias in the Loop: How Humans Evaluate AI-Generated Suggestions [9.578382668831988]
  人間とAIのコラボレーションは、医療診断からコンテンツモデレーションに至るまで、業界全体の意思決定を促進する。 これらのコラボレーションが成功するか失敗するかを決定する心理的要因についてはほとんど分かっていません。 我々は,2,784人の参加者によるランダム化実験を行い,AIによる提案に対するタスクデザインと個人特性がどのように人間の反応を形作るかを検討した。
  論文  参考訳（メタデータ） (2025-09-10T11:43:29Z)
• Evaluating Uncertainty and Quality of Visual Language Action-enabled Robots [13.26825865228582]
  ロボット操作タスクのためのVLAモデルに特化して設計された8つの不確実性指標と5つの品質指標を提案する。 我々は,3つの最先端VLAモデルから908のタスク実行を成功させる大規模実証実験により,その有効性を評価する。
  論文  参考訳（メタデータ） (2025-07-22T22:15:59Z)
• Artificial Intelligence in Government: Why People Feel They Lose Control [44.99833362998488]
  行政における人工知能の利用は急速に拡大している。 AIはより効率と応答性を約束するが、政府機能への統合は公正性、透明性、説明責任に関する懸念を提起する。 この記事では、デリゲートの特別事例として、AI導入に関するプリンシパル・エージェント理論を適用します。
  論文  参考訳（メタデータ） (2025-05-02T07:46:41Z)
• ReVISE: Learning to Refine at Test-Time via Intrinsic Self-Verification [53.80183105328448]
  Refine via Intrinsic Self-Verification (ReVISE)は、LLMが自己検証を通じてアウトプットを自己修正できる効率的なフレームワークである。 様々な推論タスクに関する実験により、ReVISEは効率的な自己補正を実現し、推論性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-02-20T13:50:02Z)
• Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
  AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。 不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。 対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
  論文  参考訳（メタデータ） (2025-02-18T17:12:26Z)
• Fine-Grained Appropriate Reliance: Human-AI Collaboration with a Multi-Step Transparent Decision Workflow for Complex Task Decomposition [14.413413322901409]
  本稿では,MST(Multi-Step Transparent)決定ワークフローがユーザ依存行動に与える影響について検討する。 MST決定ワークフローとの人間とAIのコラボレーションは、特定の文脈におけるワンステップのコラボレーションよりも優れていることを示す。 私たちの研究は、最適な人間とAIのコラボレーションを得るのに役立つ、オールサイズの意思決定ワークフローが存在しないことを強調しています。
  論文  参考訳（メタデータ） (2025-01-19T01:03:09Z)
• Employee Well-being in the Age of AI: Perceptions, Concerns, Behaviors, and Outcomes [0.0]
  この研究は、AIが従業員の知覚、仕事の満足度、メンタルヘルス、維持をいかに形作るかを調べる。 AIシステムの透明性は、信頼とポジティブな従業員の態度を促進する重要な要因として現れます。 この研究は、AI職の幸福なインタラクションフレームワークを紹介している。
  論文  参考訳（メタデータ） (2024-12-06T06:07:44Z)
• The Foundations of Computational Management: A Systematic Approach to Task Automation for the Integration of Artificial Intelligence into Existing Workflows [55.2480439325792]
  本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。 この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
  論文  参考訳（メタデータ） (2024-02-07T01:45:14Z)
• Ranking a Set of Objects using Heterogeneous Workers: QUITE an Easy Problem [54.90613714264689]
  我々は、不平等労働者の群れによって提供されるノイズの多いペア比較の集合から始まる、$N$オブジェクトのランク付けの問題に焦点をあてる。 本研究では,作業者の信頼性とオブジェクトの品質を共同で推定する非適応的ランキングアルゴリズムQUITEを提案する。
  論文  参考訳（メタデータ） (2023-10-03T12:42:13Z)
• Human-AI Collaboration: The Effect of AI Delegation on Human Task Performance and Task Satisfaction [0.0]
  タスク性能とタスク満足度はAIデリゲートによって向上することを示す。 我々は、これらの改善の基盤となるメカニズムとして、人間による自己効力の増大を見いだした。 我々の発見は、AIモデルがより多くの管理責任を引き継ぐことが、人間とAIのコラボレーションの効果的な形態であることを示す最初の証拠を提供する。
  論文  参考訳（メタデータ） (2023-03-16T11:02:46Z)

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。