論文の概要: Beyond the Steeper Curve: AI-Mediated Metacognitive Decoupling and the Limits of the Dunning-Kruger Metaphor

• arxiv url: http://arxiv.org/abs/2603.29681v1
• Date: Tue, 31 Mar 2026 12:35:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.65615
• Title: Beyond the Steeper Curve: AI-Mediated Metacognitive Decoupling and the Limits of the Dunning-Kruger Metaphor
• Title（参考訳）: AIによるメタ認知の分離とDunning-Krugerメタファーの限界
• Authors: Christopher Koch,
• Abstract要約: 本稿では,人間とAIの相互作用,学習研究,モデル評価からエビデンスを合成する。 AIによるメタ認知的疎結合の動作モデルを提案する。 ツール設計、アセスメント、知識労働に影響を及ぼす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The common claim that generative AI simply amplifies the Dunning-Kruger effect is too coarse to capture the available evidence. The clearest findings instead suggest that large language model (LLM) use can improve observable output and short-term task performance while degrading metacognitive accuracy and flattening the classic competence-confidence gradient across skill groups. This paper synthesizes evidence from human-AI interaction, learning research, and model evaluation, and proposes the working model of AI-mediated metacognitive decoupling: a widening gap among produced output, underlying understanding, calibration accuracy, and self-assessed ability. This four-variable account better explains overconfidence, over- and under-reliance, crutch effects, and weak transfer than the simpler metaphor of a uniformly steeper Dunning-Kruger curve. The paper concludes with implications for tool design, assessment, and knowledge work.
• Abstract（参考訳）: 生成AIが単にダンニング・クルーガー効果を増幅するという一般的な主張は、利用可能な証拠を捉えるには大きすぎる。 最も明確な発見は、大きな言語モデル(LLM)が、メタ認知の精度を低下させ、スキルグループ間での古典的な能力信頼度勾配をフラット化しながら、観測可能な出力と短期タスクパフォーマンスを改善することを示唆している。 本稿では,人間とAIの相互作用,学習研究,モデル評価のエビデンスを合成し,AIによるメタ認知的疎結合の作業モデルを提案する。 この4変数の説明は、ダンニング・クルーガー曲線のより単純な比喩よりも、過信、過信、過度、過度な信頼、クルッチ効果、弱い移動を説明するのがよい。 この論文は、ツールデザイン、アセスメント、知識労働に影響を及ぼす。

関連論文リスト

• Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
  信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である 本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
  論文  参考訳（メタデータ） (2026-03-05T18:42:51Z)
• Endogenous Reprompting: Self-Evolving Cognitive Alignment for Unified Multimodal Models [23.128973540926552]
  内因性再増殖は、モデルの理解を明確な生成的推論ステップに変換する。 評価精度,再現効率,生成品質において,SEERは一貫して最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-01-28T06:54:36Z)
• Metacognitive Sensitivity for Test-Time Dynamic Model Selection [0.0]
  我々は、AIメタ認知を評価し、活用するための新しいフレームワークを提案する。 メタ認知感度の心理学的評価尺度「メタd」を導入し,モデルの信頼度がモデルの精度を確実に予測できるかを特徴付ける。 次に、この動的感度スコアを、テスト時間モデル選択を行うバンドベースのアービタのコンテキストとして使用する。
  論文  参考訳（メタデータ） (2025-12-11T09:15:05Z)
• Grounding AI Explanations in Experience: A Reflective Cognitive Architecture for Clinical Decision Support [20.895077257831016]
  我々は、高精度で高品質な説明は別個の目的ではなく、データを深く直接理解するモデルの結果を相互に補強していると論じる。 より深い理解を促進する信号として予測精度を使用することで、RCAはデータの強力な内部モデルを構築する。 以上の結果から,RCAはベースラインの40%以上の相対的な改善によって最先端の精度と堅牢性を達成するだけでなく,この深い理解を活用して,明確で論理的,エビデンスに基づく,バランスの取れた説明の創出に長けていることが示唆された。
  論文  参考訳（メタデータ） (2025-09-25T14:57:52Z)
• 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)
• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
  ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。 モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。 因果関係はこれらの課題を体系的に解決するための 理想的な枠組みを提供します
  論文  参考訳（メタデータ） (2025-02-07T17:01:37Z)
• Image Quality Assessment: Investigating Causal Perceptual Effects with Abductive Counterfactual Inference [22.65765161695905]
  既存のフルリファレンス画像品質評価法(FR-IQA)は、画像歪みに対する人間の知覚応答を弱める複雑な因果メカニズムを捉えるのに失敗することが多い。 本稿では,深いネットワーク特徴と知覚歪みの因果関係を明らかにするために,帰納的反事実推論に基づくFR-IQA法を提案する。
  論文  参考訳（メタデータ） (2024-12-22T09:17:57Z)
• Learning to Generate and Evaluate Fact-checking Explanations with Transformers [10.970249299147866]
  XAI(Explainable Artificial Antelligence)の研究 我々は,人間のアクセス可能な説明を生成することによって,意思決定を文脈化し,正当化するトランスフォーマーベースの事実チェックモデルを開発した。 我々は人工知能(AI)による説明と人間の判断を一致させる必要性を強調した。
  論文  参考訳（メタデータ） (2024-10-21T06:22:51Z)
• Ladder-of-Thought: Using Knowledge as Steps to Elevate Stance Detection [73.31406286956535]
  姿勢検出タスクにLadder-of-Thought(LoT)を導入する。 LoTは、小さなLMに高品質な外部知識を同化させ、生成した中間的論理を精査するように指示する。 実験では, 姿勢検出タスクにおけるCoTのGPT-3.5よりも16%改善し, 10%向上した。
  論文  参考訳（メタデータ） (2023-08-31T14:31:48Z)

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。