論文の概要: Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective
- arxiv url: http://arxiv.org/abs/2603.21288v1
- Date: Sun, 22 Mar 2026 15:21:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.331585
- Title: Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective
- Title（参考訳）: 人間とAIの協調的問題解決における相互作用プロファイルと戦略の解き放つ:認知的分布と規制の視点
- Authors: Zhanxin Hao, Xiaobo Liu, Jiaxin Fan, Yun Long, Jifan Yu, Wenli Chen, Yu Zhang,
- Abstract要約: 本研究は,人間とAIのコラボレーションのパターンとダイナミクスを調べるために,分散認知と学習視点の制御を統合的に導入する。
Delegated Reasoning(DR)、Jointed Interpretation(CI)、Delegated Elaboration(DE)の3つの異なる協調的問題解決モードが同定された。
- 参考スコア（独自算出の注目度）: 17.879329691577684
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study adopts an integrated distributed cognition and regulation of learning perspective to examine the collaboration patterns and dynamics of human-AI collaboration when college students collaborating with AI for complex problem-solving. Through cluster analysis, three distinct collaborative problem-solving modes were identified in this study: Delegated Reasoning (DR), Concerted Interpretation (CI), and Delegated Elaboration (DE). This study found that the DR group achieved the highest task performance, significantly outperforming the CI group. Additionally, the semantic similarity between human and AI discourse was notably the highest in the DR group. In contrast, the CI group reported significantly greater use of self-regulation strategies. These findings uncover a critical tension between the efficiency of the distributed system and the depth of human learners regulatory engagement. Insights from this study offer valuable implications for the future design of AI-empowered educational tools and student-AI collaborative learning frameworks.
- Abstract（参考訳）: 本研究は,複雑な問題解決のためにAIと共同作業を行う大学生のコラボレーションパターンと,人間とAIのコラボレーションのダイナミクスを考察するために,分散認知と学習視点の制御を統合的に導入する。
本研究では,クラスタ分析により,Delegated Reasoning (DR), Concerted Interpretation (CI), Delegated Elaboration (DE)の3つの異なる協調的問題解決モードが同定された。
本研究は, DR群が最も高いタスク性能を達成し, CI群を著しく上回った。
さらに、人間とAIの会話のセマンティックな類似性は、DRグループの中では特に最高であった。
対照的に、CIグループは自己規制戦略の大幅な利用を報告した。
これらの結果から,分散システムの効率性と人間の学習者の深い関与との間には,重大な緊張関係が明らかとなった。
この研究から得られた洞察は、AIを活用した教育ツールと学生とAIの協調学習フレームワークの将来設計に重要な意味を提供する。
関連論文リスト
- Agentic Reasoning for Large Language Models [122.81018455095999]
推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。
大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。
エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
論文 参考訳（メタデータ） (2026-01-18T18:58:23Z) - Agentic AI as Undercover Teammates: Argumentative Knowledge Construction in Hybrid Human-AI Collaborative Learning [6.109253207492508]
生成人工知能(AI)エージェントは、協調学習環境にますます組み込まれている。
本研究では,協調推論のダイナミクスを形作るエージェントAIについて検討した。
論文 参考訳（メタデータ） (2025-10-19T14:26:15Z) - MEJO: MLLM-Engaged Surgical Triplet Recognition via Inter- and Intra-Task Joint Optimization [52.149337961205624]
手術用三重項認識のためのタスク間最適化とタスク内最適化を両立する枠組みを提案する。
タスク間最適化のために、タスク共有およびタスク固有コンポーネントに表現を分解する共有特徴分散学習スキーム(S$2$D)を導入する。
タスク内最適化競合に対して,正負の曖昧さを識別・再バランスするコーディネート・グラディエント・ラーニング(CGL)戦略を開発する。
論文 参考訳（メタデータ） (2025-09-16T09:48:52Z) - Human-AI collaboration or obedient and often clueless AI in instruct, serve, repeat dynamics? [0.0]
本研究では,複雑な問題を解きながら人間とAIの相互作用を考察する。
発見は、協調的な交渉よりも反復的な順序付けによって特徴づけられる相互作用による指導的パターンが支配的であることを示している。
論文 参考訳（メタデータ） (2025-08-03T11:43:01Z) - When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。
最初の大規模人間実験(N=118)を行い,その測定を行った。
2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
論文 参考訳（メタデータ） (2025-06-05T20:48:16Z) - Policy Search, Retrieval, and Composition via Task Similarity in Collaborative Agentic Systems [12.471774408499817]
Agentic AIの目的は、自身の目標を設定し、変化に積極的に適応し、継続的な経験を通じて振る舞いを洗練するシステムを作ることだ。
最近の進歩は、複数の予期せぬタスクに直面している場合、エージェントは他のエージェントによって既に完全にあるいは部分的に学習されている機械学習の知識と再利用のポリシーを共有することの恩恵を受ける可能性があることを示唆している。
本研究は,エージェントが選択すべき知識,誰から,いつ,どのように,それを独自の政策に統合して,自身の学習を加速するかを検討する。
論文 参考訳（メタデータ） (2025-06-05T20:38:11Z) - 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) - Large Language Model-based Human-Agent Collaboration for Complex Task
Solving [94.3914058341565]
複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。
Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。
このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
論文 参考訳（メタデータ） (2024-02-20T11:03:36Z) - Re-mine, Learn and Reason: Exploring the Cross-modal Semantic
Correlations for Language-guided HOI detection [57.13665112065285]
ヒューマンオブジェクトインタラクション(HOI)検出は、コンピュータビジョンの課題である。
本稿では,構造化テキスト知識を組み込んだHOI検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-25T14:20:52Z) - An Artificial Intelligence driven Learning Analytics Method to Examine
the Collaborative Problem solving Process from a Complex Adaptive Systems
Perspective [0.7450115015150832]
協調問題解決(CPS)は、学生グループが学習タスクを完了し、知識を構築し、問題を解決することを可能にする。
従来の研究は、CPSの複雑さ、多モード性、ダイナミクス、シナジーなどを調べることの重要性を論じてきた。
本研究は、オンラインインタラクション設定におけるCPSの性質を理解するために、マルチモーダルプロセスとパフォーマンスデータを収集した。
論文 参考訳（メタデータ） (2022-10-28T11:13:05Z)
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。