論文の概要: Cognitive Amplification vs Cognitive Delegation in Human-AI Systems: A Metric Framework

• arxiv url: http://arxiv.org/abs/2603.18677v1
• Date: Thu, 19 Mar 2026 09:39:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.066313
• Title: Cognitive Amplification vs Cognitive Delegation in Human-AI Systems: A Metric Framework
• Title（参考訳）: 人間-AIシステムにおける認知増幅と認知デリゲーション:メトリクスフレームワーク
• Authors: Eduardo Di Santi,
• Abstract要約: 本稿では,認知増幅を識別するための概念的,数学的枠組みを紹介する。 それは、AIが人間の専門知識を維持しながら、ハイブリッドな人間-AIのパフォーマンスを改善することを示している。 人間のAIシステムは認知的持続可能性の制約の下で設計されるべきである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence is increasingly embedded in human decision-making, where it can either enhance human reasoning or induce excessive cognitive dependence. This paper introduces a conceptual and mathematical framework for distinguishing cognitive amplification, in which AI improves hybrid human-AI performance while preserving human expertise, from cognitive delegation, in which reasoning is progressively outsourced to AI systems. To characterize these regimes, we define a set of operational metrics: the Cognitive Amplification Index (CAI*), the Dependency Ratio (D), the Human Reliance Index (HRI), and the Human Cognitive Drift Rate (HCDR). Together, these quantities provide a low-dimensional metric space for evaluating not only whether human-AI systems achieve genuine synergistic performance, but also whether such performance is cognitively sustainable for the human component over time. The framework highlights a central design tension in human-AI systems: maximizing short-term hybrid capability does not necessarily preserve long-term human cognitive competence. We therefore argue that human-AI systems should be designed under a cognitive sustainability constraint, such that gains in hybrid performance do not come at the cost of degradation in human expertise.
• Abstract（参考訳）: 人工知能は人間の意思決定にますます組み込まれており、人間の推論を強化するか、過度な認知依存を引き起こすことができる。 本稿では,AIがAIシステムに段階的にアウトソースされる認知デリゲーションから,人間の知識を保ちながらハイブリッドな人間とAIのパフォーマンスを向上する認知増幅の概念的,数学的枠組みを紹介する。 これらの制度を特徴づけるために、認知増幅指数(CAI*)、依存度比(D)、人間信頼度指数(HRI)、認知ドリフトレート(HCDR)という一連の運用指標を定義した。 これらの量とともに、人間-AIシステムが真の相乗効果を達成するだけでなく、その性能が時間とともに人間のコンポーネントにとって認知的に持続可能であるかどうかを評価するための低次元計量空間を提供する。 短期的ハイブリッド能力の最大化は、必ずしも長期的な人間の認知能力を維持するとは限らない。 したがって、人間-AIシステムは認知的持続可能性制約の下で設計されるべきであり、ハイブリッド性能の獲得は、人間の専門知識の劣化の犠牲にはならない。

関連論文リスト

• The Geometry of Learning Under AI Delegation [24.790811527847527]
  AIシステムがツールからコラボレータへとシフトするにつれ、人間が依存するスキルが時間とともにどのように変化するかが中心的な疑問である。 本研究では,人間のスキルとAIデリゲーションを結合力学系としてモデル化し,この問題を数学的に研究する。 我々の結果は、AI支援が長期にわたる人間のパフォーマンスとスキルを損なうおそれのあるメカニズムとして、インセンティブやミスアライメントではなく、安定性を識別する。
  論文  参考訳（メタデータ） (2026-03-03T13:01:22Z)
• Epistemology gives a Future to Complementarity in Human-AI Interactions [42.371764229953165]
  相補性とは、AIシステムによって支えられた人間は、意思決定プロセスにおいて単独でより優れる、という主張である。 我々は,人間とAIの相互作用が信頼できる過程であることを示す証拠として,相補性の歴史的事例が機能すると主張している。
  論文  参考訳（メタデータ） (2026-01-14T21:04:28Z)
• A Definition of AGI [208.25193480759026]
  人工知能の具体的な定義の欠如は、今日の専門的なAIと人間レベルの認知のギャップを曖昧にしている。 そこで本研究では,AGIを認知的多目的性と熟達度に適合するものとして,これに対応するための定量的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-10-21T01:28:35Z)
• 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)
• On Benchmarking Human-Like Intelligence in Machines [77.55118048492021]
  現在のAI評価パラダイムは、人間のような認知能力を評価するには不十分である、と我々は主張する。 人為的なラベルの欠如、人間の反応の多様性と不確実性の表現の不適切な表現、単純で生態学的に無意味なタスクへの依存。
  論文  参考訳（メタデータ） (2025-02-27T20:21:36Z)
• Aligning Generalisation Between Humans and Machines [74.120848518198]
  AI技術は、科学的発見と意思決定において人間を支援することができるが、民主主義と個人を妨害することもある。 AIの責任ある使用と人間-AIチームへの参加は、AIアライメントの必要性をますます示している。 これらの相互作用の重要かつしばしば見落とされがちな側面は、人間と機械が一般化する異なる方法である。
  論文  参考訳（メタデータ） (2024-11-23T18:36:07Z)
• 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)
• Deciding Fast and Slow: The Role of Cognitive Biases in AI-assisted Decision-making [46.625616262738404]
  我々は、認知科学の分野からの知識を用いて、人間とAIの協調的な意思決定設定における認知バイアスを考慮します。 私たちは、人間とAIのコラボレーションでよく見られるバイアスであるバイアスのアンカーに特に焦点を当てています。
  論文  参考訳（メタデータ） (2020-10-15T22:25:41Z)

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。