論文の概要: The Cognitive Divergence: AI Context Windows, Human Attention Decline, and the Delegation Feedback Loop
- arxiv url: http://arxiv.org/abs/2603.26707v1
- Date: Tue, 17 Mar 2026 18:53:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 02:36:13.094618
- Title: The Cognitive Divergence: AI Context Windows, Human Attention Decline, and the Delegation Feedback Loop
- Title（参考訳）: 認知的多様性:AIコンテキスト Windows、人間の注意の減少、デリゲーションフィードバックループ
- Authors: Netanel Eliav,
- Abstract要約: AIコンテキストウィンドウは、2017年の512トークンから2026年までに2トークンに成長した。
Human Effective Context Spanは16,000トークンから1,800トークンに減少している。
AIと人間の比率はChatGPT打ち上げ時のほぼ同値から556--1,111xの生と56-111xの品質調整に成長した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper documents and theorises a self-reinforcing dynamic between two measurable trends: the exponential expansion of large language model (LLM) context windows and the secular contraction of human sustained-attention capacity. We term the resulting asymmetry the Cognitive Divergence. AI context windows have grown from 512 tokens in 2017 to 2,000,000 tokens by 2026 (factor ~3,906; fitted lambda = 0.59/yr; doubling time ~14 months). Over the same period, human Effective Context Span (ECS) -- a token-equivalent measure derived from validated reading-rate meta-analysis (Brysbaert, 2019) and an empirically motivated Comprehension Scaling Factor -- has declined from approximately 16,000 tokens (2004 baseline) to an estimated 1,800 tokens (2026, extrapolated from longitudinal behavioural data ending 2020 (Mark, 2023); see Section 9 for uncertainty discussion). The AI-to-human ratio grew from near parity at the ChatGPT launch (November 2022) to 556--1,111x raw and 56--111x quality-adjusted, after accounting for retrieval degradation (Liu et al., 2024; Chroma, 2025). Beyond documenting this divergence, the paper introduces the Delegation Feedback Loop hypothesis: as AI capability grows, the cognitive threshold at which humans delegate to AI falls, extending to tasks of negligible demand; the resulting reduction in cognitive practice may further attenuate the capacities already documented as declining (Gerlich, 2025; Kim et al., 2026; Kosmyna et al., 2025). Neither trend reverses spontaneously. The paper characterises the divergence statistically, reviews neurobiological mechanisms across eight peer-reviewed neuroimaging studies, presents empirical evidence bearing on the delegation threshold, and proposes a research agenda centred on a validated ECS psychometric instrument and longitudinal study of AI-mediated cognitive change.
- Abstract（参考訳）: 本稿では,大言語モデル(LLM)コンテキストウィンドウの指数的拡張と,人間の持続的収容能力の世俗的縮小という,測定可能な2つのトレンドの自己強化ダイナミクスを文書化し,理論化する。
結果の非対称性を認知的多様性と呼ぶ。
AIコンテキストウィンドウは、2017年の512トークンから2026年までに2,000,000トークン(ファクター~3,906;適合ラムダ = 0.59/yr;倍の時間～14ヶ月)に成長した。
同じ期間に、検証済みの読み上げ速度メタ分析(Brysbaert, 2019)から導かれるトークン等価の指標であるヒト効果コンテキストスパン(ECS)と、経験的に動機付けられた包括的スケーリングファクター(Comprehension Scaling Factor)は、およそ16,000トークン(2004ベースライン)から推定1,800トークン(2026、2020年の長手な行動データから外挿)へと減少している(Mark, 2023)。
AIと人間の比率は、ChatGPTの打ち上げ(2022年11月)でほぼ同等から、556--1,111xの生と56--111xの品質調整へと成長した(Liu et al , 2024; Chroma, 2025)。
この分散を文書化する以外に、この論文ではデリゲーションフィードバックループの仮説を紹介している。AI能力が向上するにつれて、人間がAIに委譲する認知しきい値が低下し、無視できない要求のタスクにまで拡大する。
どちらの傾向も自然に逆転しない。
本論文は,8つのピアレビューされた神経画像研究の神経生物学的メカニズムを統計的に評価し,委譲閾値に基づく実証的エビデンスを提示し,検証されたECS心理測定器とAIによる認知変化の縦断的研究を主眼とした研究課題を提案する。
関連論文リスト
- The enrichment paradox: critical capability thresholds and irreversible dependency in human-AI symbiosis [1.0832844764942349]
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。
論文 参考訳（メタデータ） (2026-03-25T15:08:43Z) - 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) - HUMANLLM: Benchmarking and Reinforcing LLM Anthropomorphism via Human Cognitive Patterns [59.17423586203706]
本稿では,心理的パターンを因果力の相互作用として扱うフレームワークであるHUMANLLMを提案する。
12,000の学術論文から244のパターンを構築し、2-5のパターンが相互に強化、衝突、変調されるシナリオ11,359を合成する。
我々の二重レベルチェックリストは、個々のパターンの忠実度と創発的なマルチパターンのダイナミクスを評価し、強い人間のアライメントを達成する。
論文 参考訳（メタデータ） (2026-01-15T08:56:53Z) - 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) - Future of AI Models: A Computational perspective on Model collapse [0.0]
本研究は,2013年から2025年までの英語ウィキペディアの年次意味的類似性を調べることで,崩壊の定量化と予測を行う。
結果は、初期のRNN/LSTMとテキスト正規化パイプラインによって引き起こされた公的なLLM採用よりも、着実に類似性が高まっていることを示している。
論文 参考訳（メタデータ） (2025-10-29T15:10:29Z) - Beyond Memorization: Reasoning-Driven Synthesis as a Mitigation Strategy Against Benchmark Contamination [77.69093448529455]
本稿では,arXiv論文から直接研究レベルのQAを合成するために,無限にスケーラブルなフレームワークを用いて実証的研究を行う。
各種サイズ,開発者,リリース日といったモデルについて,知識カットオフ日に近い性能劣化の欠如を評価した。
合成パイプラインで要求される多段階の推論は、浅い記憶よりも深い複雑さをもたらしたと仮定する。
論文 参考訳（メタデータ） (2025-08-26T16:41:37Z) - Neuro-Symbolic AI in 2024: A Systematic Review [0.29260385019352086]
レビューはPRISMA方法論に従い、IEEE Explore、Google Scholar、arXiv、ACM、SpringerLinkといったデータベースを利用した。
1,428紙の最初のプールから、167紙が包含基準を満たし、詳細に分析された。
研究活動の大半は、学習、推論、論理、推論、知識表現の領域に集中している。
論文 参考訳（メタデータ） (2025-01-09T18:48:35Z) - Systematic Evaluation of Neural Retrieval Models on the Touché 2020 Argument Retrieval Subset of BEIR [99.13855300096925]
我々は、ニューラル検索モデルの潜在的な限界を探るため、Touch'e 2020データの研究を行っている。
私たちのブラックボックス評価は、短いパスを取得するためのニューラルネットワークの固有のバイアスを明らかにします。
Touch'eの短いパスの多くは議論の余地がなく、したがって関連性がないので、非常に短いパスを除外してTouch'e 2020のデータに注目する。
論文 参考訳（メタデータ） (2024-07-10T16:07:51Z) - Monitoring AI-Modified Content at Scale: A Case Study on the Impact of ChatGPT on AI Conference Peer Reviews [51.453135368388686]
本稿では,大規模言語モデル (LLM) によって実質的に修正あるいは生成される可能性のある大規模コーパスにおけるテキストの分数推定手法を提案する。
我々の最大可能性モデルは、専門家による参照テキストとAIによる参照テキストを利用して、コーパスレベルでの実世界のLLM使用を正確かつ効率的に検証する。
論文 参考訳（メタデータ） (2024-03-11T21:51:39Z) - Can Machines Imitate Humans? Integrative Turing-like tests for Language and Vision Demonstrate a Narrowing Gap [56.611702960809644]
3つの言語タスクと3つの視覚タスクで人間を模倣するAIの能力をベンチマークする。
次に,人間1,916名,AI10名を対象に,72,191名のチューリング様試験を行った。
模倣能力は従来のAIパフォーマンス指標と最小限の相関を示した。
論文 参考訳（メタデータ） (2022-11-23T16:16:52Z)
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。