論文の概要: Discerning Authorship in Online Health Communities: Experience, Trust, and Transparency Implications for Moderating AI

• arxiv url: http://arxiv.org/abs/2604.19429v1
• Date: Tue, 21 Apr 2026 12:58:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.776209
• Title: Discerning Authorship in Online Health Communities: Experience, Trust, and Transparency Implications for Moderating AI
• Title（参考訳）: オンライン健康コミュニティにおけるオーサシップの認知:AIをモデレーションするための経験、信頼、透明性の意味
• Authors: Yefim Shulman, Agnieszka Kitkowska, Mark Warner,
• Abstract要約: 地域住民による健康アドバイスの投稿者検出の実現可能性について検討する。 2つの健康状態において、人間によるアドバイスとAI生成を区別する能力を評価する。
• 参考スコア（独自算出の注目度）: 5.480144998735541
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For online health communities, community trust is paramount. Yet, advances in Large Language Models (LLMs) generating advice may erode this trust, especially if users cannot identify whether LLMs have been used. We investigate the feasibility of community-based detection of health advice authorship and how self-moderation of LLMs could help enhance advice utilization. In an online experiment, we evaluate people's ability to distinguish AI-generated from human-written advice across two health conditions, considering lived experience with a condition, AI-recognition training, and user attitudes towards transparency and trust around AI use. Our results indicate the need for transparency coupled with trust. We find little evidence of people's ability to discern advice authorship. However, we find a consistent effect of the health condition. Our qualitative findings identify unreliable signals, resulting in flawed heuristic evaluations of the advice. Our findings point to opportunities to improve the self-moderation of LLM-based AI and aid community-based AI moderation.
• Abstract（参考訳）: オンライン健康コミュニティにとって、コミュニティの信頼は最重要である。 しかし、LLM(Large Language Models)の進歩は、特にLLMが使用されているかどうかをユーザが特定できない場合、この信頼を損なう可能性がある。 地域住民による健康アドバイスオーサシップの検出の可能性とLCMの自己修正がアドバイス利用の促進にどう役立つかを検討する。 オンライン実験では、状態の生きた経験、AI認識トレーニング、AI使用に関する透明性と信頼に対するユーザの態度を考慮し、人間によるアドバイスと人間によるアドバイスを区別する能力を評価する。 結果から,透明性と信頼の両立の必要性が示唆された。 助言の著者を識別する人々の能力の証拠はほとんど見つからない。 しかし,健康状態には一貫した影響がある。 質的な結果から信頼性の低い信号が検出され,提案手法のヒューリスティックな評価が得られなかった。 我々の発見は、LLMベースのAIの自己モデレーションを改善し、コミュニティベースのAIモデレーションを支援する機会を示唆している。

関連論文リスト

• Learning to Trust: How Humans Mentally Recalibrate AI Confidence Signals [3.1153758106426603]
  我々は、人間が繰り返し体験することで、AIの信頼性信号の精神的な調整を学べるかどうかを考察する。 本稿では,線形-log-odds変換とRescorla-Wagner学習則を用いた計算モデルを提案する。
  論文  参考訳（メタデータ） (2026-03-23T23:23:25Z)
• Epistemic Context Learning: Building Trust the Right Way in LLM-Based Multi-Agent Systems [94.9141394384021]
  マルチエージェントシステムの個々のエージェントは、しばしば堅牢性を欠き、誤解を招く仲間に盲目的に適合する傾向にある。 この弱点は, 相互信頼度を評価する能力の欠如に起因していると考えられる。 まず,歴史認識参照の学習問題を定式化し,ピア間の歴史的相互作用を付加的な入力として導入する。 次に,歴史的に構築されたピアプロファイルの予測を行うための推論フレームワークであるEcestemic Context Learning (ECL) を開発した。
  論文  参考訳（メタデータ） (2026-01-29T13:59:32Z)
• Do LLMs trust AI regulation? Emerging behaviour of game-theoretic LLM agents [61.132523071109354]
  本稿では、異なる規制シナリオ下での戦略選択をモデル化する、AI開発者、規制当局、ユーザ間の相互作用について検討する。 我々の研究は、純粋なゲーム理論エージェントよりも「悲観的」な姿勢を採用する傾向にある戦略的AIエージェントの出現する振る舞いを特定する。
  論文  参考訳（メタデータ） (2025-04-11T15:41:21Z)
• Adjust for Trust: Mitigating Trust-Induced Inappropriate Reliance on AI Assistance [8.932047775602927]
  信頼は、AI支援意思決定タスクにおけるAIレコメンデーションへのユーザの依存度をバイアスする。 我々は,信頼と適応の介入を通じて,AIアシスタントが行動に適応するように提案する。
  論文  参考訳（メタデータ） (2025-02-18T22:42:39Z)
• User Intent to Use DeepSeek for Healthcare Purposes and their Trust in the Large Language Model: Multinational Survey Study [1.474723404975345]
  大規模言語モデル(LLM)は、インタラクティブな医療資源としてますます役立っているが、ユーザ受け入れは未熟である。 本研究は、DeepSeekを採用するための形状意図と、使いやすさ、知覚的有用性、信頼、リスク知覚がどのように相互作用するかを検討する。
  論文  参考訳（メタデータ） (2025-02-18T16:49:36Z)
• Ask Patients with Patience: Enabling LLMs for Human-Centric Medical Dialogue with Grounded Reasoning [25.068780967617485]
  大規模言語モデル(LLM)は潜在的な解決策を提供するが、現実の臨床的相互作用に苦慮する。 Ask patients with Patience (APP) は,基礎的推論,透明な診断,人間中心のインタラクションを目的とした多ターンLCMベースの医療アシスタントである。 APPは共感的対話を通じてユーザ症状を誘発することでコミュニケーションを強化し、アクセシビリティとユーザエンゲージメントを大幅に改善する。
  論文  参考訳（メタデータ） (2025-02-11T00:13:52Z)
• A Diachronic Perspective on User Trust in AI under Uncertainty [52.44939679369428]
  現代のNLPシステムは、しばしば未分類であり、ユーザの信頼を損なう確実な誤った予測をもたらす。 賭けゲームを用いて,信頼を損なう事象に対するユーザの信頼の進化について検討する。
  論文  参考訳（メタデータ） (2023-10-20T14:41:46Z)
• Medical Misinformation in AI-Assisted Self-Diagnosis: Development of a Method (EvalPrompt) for Analyzing Large Language Models [4.8775268199830935]
  本研究は、自己診断ツールとしての大規模言語モデル(LLM)の有効性と、医療情報の拡散における役割を評価することを目的とする。 我々は,実世界の自己診断を模倣するオープンエンド質問を用いて,現実的な自己診断を模倣する文のドロップアウトを行い,情報不足を伴う現実的な自己診断を模倣する。 その結果, LLMの応答が不明確で不正確な場合が多いため, LLMの質素な機能を強調した。
  論文  参考訳（メタデータ） (2023-07-10T21:28:26Z)
• Designing for Responsible Trust in AI Systems: A Communication Perspective [56.80107647520364]
  我々は、MATCHと呼ばれる概念モデルを開発するために、技術に対する信頼に関するコミュニケーション理論と文献から引き出す。 私たちは、AIシステムの能力として透明性とインタラクションを強調します。 我々は、技術クリエーターが使用する適切な方法を特定するのに役立つ要件のチェックリストを提案する。
  論文  参考訳（メタデータ） (2022-04-29T00:14:33Z)
• Assessing the Severity of Health States based on Social Media Posts [62.52087340582502]
  ユーザの健康状態の重症度を評価するために,テキストコンテンツとコンテキスト情報の両方をモデル化する多視点学習フレームワークを提案する。 多様なNLUビューは、ユーザの健康を評価するために、タスクと個々の疾患の両方に効果を示す。
  論文  参考訳（メタデータ） (2020-09-21T03:45:14Z)
• Effect of Confidence and Explanation on Accuracy and Trust Calibration in AI-Assisted Decision Making [53.62514158534574]
  ケース固有のモデル情報を明らかにする特徴が、信頼度を調整し、人間とAIのジョイントパフォーマンスを向上させることができるかどうかを検討する。 信頼スコアは、AIモデルに対する人々の信頼を校正するのに役立ちますが、信頼の校正だけでは、AI支援による意思決定を改善するには不十分です。
  論文  参考訳（メタデータ） (2020-01-07T15:33:48Z)

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。