論文の概要: The enrichment paradox: critical capability thresholds and irreversible dependency in human-AI symbiosis

• arxiv url: http://arxiv.org/abs/2603.24391v1
• Date: Wed, 25 Mar 2026 15:08:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.351817
• Title: The enrichment paradox: critical capability thresholds and irreversible dependency in human-AI symbiosis
• Title（参考訳）: エンリッチメントパラドックス--ヒト-AI共生における臨界能力閾値と不可逆依存性
• Authors: Jeongju Park, Musu Kim, Sekyung Han,
• Abstract要約: 2変数の動的システムモデル結合能力(H)とデリゲート(D)を提案する。 4つの領域(教育、医学、航法、航空)に分類すると、このモデルは臨界しきい値 K* は約 0.85 である。 このモデルは、周期的なAI障害が能力2.7倍に向上し、20%の必須慣行がシミュレーションベースラインよりも92%高い能力を保っていることを予測している。
• 参考スコア（独自算出の注目度）: 1.0832844764942349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As artificial intelligence assumes cognitive labor, no quantitative framework predicts when human capability loss becomes catastrophic. We present a two-variable dynamical systems model coupling capability (H) and delegation (D), grounded in three axioms: learning requires capability, practice, and disuse causes forgetting. Calibrated to four domains (education, medicine, navigation, aviation), the model identifies a critical threshold K* approximately 0.85 (scope-dependent; broader AI scope lowers K*) beyond which capability collapses abruptly-the "enrichment paradox." Validated against 15 countries' PISA data (102 points, R^2 = 0.946, 3 parameters, lowest BIC), the model predicts that periodic AI failures improve capability 2.7-fold and that 20% mandatory practice preserves 92% more capability than the simulation baseline (which includes a 5% background AI-failure rate). These findings provide quantitative foundations for AI capability-threshold governance.
• Abstract（参考訳）: 人工知能が認知労働を前提としているため、人間の能力喪失が破滅的になると予測する定量的な枠組みは存在しない。 本稿では,2変数の動的システムモデル結合能力(H)とデリゲート(D)を3つの公理(学習には能力,実践,使い捨て)に根ざして提案する。 4つの領域(教育、医学、ナビゲーション、航空)に分類すると、このモデルは、能力が突然崩壊する「エンリッチメントパラドックス(enrichment paradox)」という、およそ0.85(スコープに依存し、より広いAIスコープはK*より低い)の臨界しきい値を示す。 15カ国のPISAデータ(102ポイント、R^2 = 0.946、3パラメータ、最低BIC)に対して検証されたこのモデルは、周期的なAI障害が2.7倍の性能を改善し、20%の必須慣行がシミュレーションベースラインよりも92%高い能力(バックグラウンドAI障害率5%を含む)を維持すると予測する。 これらの発見は、AI能力の保持するガバナンスのための定量的基盤を提供する。

関連論文リスト

• Cognitive Agency Surrender: Defending Epistemic Sovereignty via Scaffolded AI Friction [3.298077866187024]
  ジェネレーティブ・人工知能(Generative Artificial Intelligence)は、良心的な認知的オフロードを認知エージェントの降伏のシステム的リスクに変えた。 ゼロフリクション(zero-friction)"デザインの商業的ドグマによって駆動される、高度に流動的なAIインターフェースは、人間の認知的ミスを積極的に活用する。
  論文  参考訳（メタデータ） (2026-03-23T09:24:56Z)
• 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)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• The Catastrophic Paradox of Human Cognitive Frameworks in Large Language Model Evaluation: A Comprehensive Empirical Analysis of the CHC-LLM Incompatibility [0.0]
  平均的な人間のIQスコアを達成するモデルは、結晶化された知識タスクにおいてゼロに近づいた二分精度を同時に示す。 この切断は、結晶化されたインテリジェンス領域において最も強く現れる。 人工知能の非人間性を認識するネイティブマシン認識アセスメントを開発するための枠組みを提案する。
  論文  参考訳（メタデータ） (2025-11-23T05:49:57Z)
• Human-AI Collaborative Uncertainty Quantification [26.38833436936642]
  我々は、AIモデルが人間の専門家の提案する予測セットをいかに洗練するかを形式化するフレームワークであるHuman AI Collaborative Uncertainty Quantificationを紹介する。 最適協調予測セットは1つのスコア関数上の直感的な2つのしきい値構造に従っており、古典的な結果を共形予測で拡張することを示す。 画像分類、回帰、テキストベースの医学的意思決定に関する実験は、協調予測セットがエージェント単独よりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2025-10-27T16:11:23Z)
• Rediscovering Entropy Regularization: Adaptive Coefficient Unlocks Its Potential for LLM Reinforcement Learning [55.59724323303857]
  本稿では,3つのコンポーネントによる探索と利用のバランスをとるフレームワークを提案する。 複数の数学的推論ベンチマークの実験は、AERが一貫してベースラインを上回り、推論精度と探索能力の両方を改善していることを示している。
  論文  参考訳（メタデータ） (2025-10-13T03:10:26Z)
• An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
  DRQ-learnerと呼ばれる新しいメタラーナーを開発した。 DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
  論文  参考訳（メタデータ） (2025-09-30T15:49:29Z)
• Is Uncertainty Quantification a Viable Alternative to Learned Deferral? [0.5156484100374058]
  AI安全性の1つの側面は、決定を人間の専門家に委譲するモデルの能力である。 臨床翻訳の間、モデルはしばしばデータシフトのような課題に直面します。 不確かさの定量化方法は、AI推論にとって有望な選択かもしれない。
  論文  参考訳（メタデータ） (2025-08-04T11:37:59Z)
• Cascaded Language Models for Cost-effective Human-AI Decision-Making [52.81324217423194]
  複数の専門分野にまたがってタスクを適応的に委譲するLLM決定フレームワークを提案する。 まず、deferral Policyは、ベースモデルの回答を受け入れるか、あるいは大きなモデルでそれを再生するかを決定する。 第2に、禁忌ポリシーは、カスケードモデル応答が十分に確実であるか、または人間の介入を必要とするかを判定する。
  論文  参考訳（メタデータ） (2025-06-13T15:36:22Z)
• Offline Robotic World Model: Learning Robotic Policies without a Physics Simulator [50.191655141020505]
  強化学習(Reinforcement Learning, RL)は、ロボット制御において目覚ましい能力を示してきたが、高いサンプルの複雑さ、安全性の懸念、そしてシム・トゥ・リアルのギャップのため、依然として困難である。 物理シミュレータに頼らずに政策学習を改善するために不確実性を明示的に推定するモデルベースアプローチであるオフラインロボット世界モデル(RWM-O)を導入する。
  論文  参考訳（メタデータ） (2025-04-23T12:58:15Z)

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。