論文の概要: More Than "Means to an End": Supporting Reasoning with Transparently Designed AI Data Science Processes
- arxiv url: http://arxiv.org/abs/2603.24877v1
- Date: Wed, 25 Mar 2026 23:47:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:48.018213
- Title: More Than "Means to an End": Supporting Reasoning with Transparently Designed AI Data Science Processes
- Title（参考訳）: 終わりへの手段"を超えて - 透過的に設計されたAIデータサイエンスプロセスによる推論を支援する
- Authors: Venkatesh Sivaraman, Patrick Vossler, Adam Perer, Julian Hong, Jean Feng,
- Abstract要約: 医療現場向けに設計された2つのAIデータサイエンスシステムについて考察する。
これらのシステムの成功は、意図的に設計された中間アーティファクトを中心にAIを構築することによって引き起こされた。
- 参考スコア（独自算出の注目度）: 12.407870690451027
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative artificial intelligence (AI) tools can now help people perform complex data science tasks regardless of their expertise. While these tools have great potential to help more people work with data, their end-to-end approach does not support users in evaluating alternative approaches and reformulating problems, both critical to solving open-ended tasks in high-stakes domains. In this paper, we reflect on two AI data science systems designed for the medical setting and how they function as tools for thought. We find that success in these systems was driven by constructing AI workflows around intentionally-designed intermediate artifacts, such as readable query languages, concept definitions, or input-output examples. Despite opaqueness in other parts of the AI process, these intermediates helped users reason about important analytical choices, refine their initial questions, and contribute their unique knowledge. We invite the HCI community to consider when and how intermediate artifacts should be designed to promote effective data science thinking.
- Abstract（参考訳）: 生成人工知能(AI)ツールは、専門知識に関係なく、複雑なデータサイエンスタスクの実行を支援することができる。
これらのツールは、より多くの人がデータを扱うのに役立つ可能性があるが、エンド・ツー・エンドのアプローチは、ユーザーが代替アプローチを評価し、問題を修正する際には役に立たない。
本稿では,医療現場向けに設計された2つのAIデータサイエンスシステムと,それらが思考のツールとして機能するかを考察する。
これらのシステムの成功は、読み取り可能なクエリ言語や概念定義、インプット・アウトプットの例など、意図的に設計された中間アーティファクトを中心としたAIワークフローの構築によって引き起こされた。
AIプロセスの他の部分における不透明さにもかかわらず、これらの中間は、ユーザーが重要な分析的選択を推論し、最初の質問を洗練し、独自の知識を貢献するのに役立つ。
我々はHCIコミュニティに、効果的なデータサイエンス思考を促進するために中間成果物をいつ、どのように設計すべきかを検討するよう依頼する。
関連論文リスト
- Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。
このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。
我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-10-07T17:49:24Z) - AI, Humans, and Data Science: Optimizing Roles Across Workflows and the Workforce [0.0]
我々は、分析、生成、エージェントAIの可能性と限界を考慮し、データサイエンティストを増強したり、伝統的に人間のアナリストや研究者によってなされたタスクを引き受ける。
従来の調査分析が問題になったのは、統計ソフトウェアの使用が簡単になったことで、研究者が完全に理解できなかった分析を行えなくなった時だった。
論文 参考訳（メタデータ） (2025-07-15T17:59:06Z) - Measuring Data Science Automation: A Survey of Evaluation Tools for AI Assistants and Agents [9.675331256405443]
大規模言語モデル(LLM)は、データサイエンスのアシスタントとしてますます使われている。
本稿では,データサイエンスのためのLLMアシスタントとエージェントの評価について調査する。
論文 参考訳（メタデータ） (2025-06-10T13:47:22Z) - Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - Data-centric Artificial Intelligence: A Survey [47.24049907785989]
近年、AIにおけるデータの役割は大幅に拡大し、データ中心AIという新たな概念が生まれた。
本稿では,データ中心型AIの必要性について論じ,続いて3つの一般的なデータ中心型目標の全体像を考察する。
これは、データライフサイクルのさまざまな段階にわたるタスクのグローバルなビューを提供する、初めての総合的な調査である、と私たちは信じています。
論文 参考訳（メタデータ） (2023-03-17T17:44:56Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z) - Towards Explainable Artificial Intelligence in Banking and Financial
Services [0.0]
説明可能な人工知能(XAI)の手法とツールを用いた最近の研究を研究・分析する。
我々は,高レベルの学習性能を維持しつつ,説明可能なモデルの作成を容易にする新しいXAIプロセスを導入する。
我々は,アルゴリズム結果との対話を容易にするデジタルダッシュボードを開発した。
論文 参考訳（メタデータ） (2021-12-14T08:02:13Z)
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。