論文の概要: AI Washing Inflates Expected Performance but Not Interaction Outcomes: An AI Placebo Study Using Fitts' Law

• arxiv url: http://arxiv.org/abs/2605.00582v1
• Date: Fri, 01 May 2026 11:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.936141
• Title: AI Washing Inflates Expected Performance but Not Interaction Outcomes: An AI Placebo Study Using Fitts' Law
• Title（参考訳）: AI洗浄インフレーションはパフォーマンスを期待するが、インタラクションの結果は得られない - Fittsの法則を用いたAIプラセボ研究
• Authors: Nick von Felten, Luisa Ella Müller, Johannes Schöning,
• Abstract要約: 人工知能のサポートに対する期待は、プラセボと同様の相互作用の結果に影響を与える可能性がある。 このような期待は、実際の機能が制限された場合にシステムのAI能力を過大評価するプラクティスであるAI洗浄によってもたらされる可能性がある。 本稿では,AI洗浄が実際のインタラクション結果を変えることなく,ユーザの期待を膨らませることを示す。
• 参考スコア（独自算出の注目度）: 11.815265443120987
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Expectations about the support of artificial intelligence (AI) may influence interaction outcomes similar to placebos. Such expectations may result from AI washing, a practice of overstating a system's AI capabilities when actual functionality is limited. For example, some computer mice are marketed as "AI-assisted" despite lacking AI in core functions. In a within-subjects study, 28 participants completed Fitts' Law tasks with a computer mouse under three conditions: no support, supposed predictive AI support, and supposed biosignal-enhanced AI support. Objective Fitts' Law performance indicators and subjective performance expectations, perceived workload, and perceived usability were measured. Compared to baseline, participants expected significantly improved performance in placebo conditions. However, these expectations did not translate into differences in objective or subjective assessments. This paper contributes evidence that AI washing inflates user expectations without altering actual interaction outcomes, highlighting a critical transparency issue. By exposing how deceptive AI marketing can shape user expectations, we underscore the need for accountability in AI product claims. Further, we establish Fitts' Law as a rigorous methodological lens for auditing AI-labelled input devices.
• Abstract（参考訳）: 人工知能(AI)のサポートに関する期待は、プラセボと同様の相互作用の結果に影響を与える可能性がある。 このような期待は、実際の機能が制限された場合にシステムのAI能力を過大評価するプラクティスであるAI洗浄によってもたらされる可能性がある。 例えば、いくつかのコンピュータマウスは、コア機能にAIが欠けているにもかかわらず、"AIアシスト"として販売されている。 対象内調査では、28人の参加者がコンピュータマウスでFittsの法則タスクを完了した。 対象Fitts法則と主観的パフォーマンス期待値,作業負荷感,ユーザビリティ感を測定した。 ベースラインと比較すると,プラセボ条件における性能は有意に向上した。 しかし、これらの期待は客観的評価や主観評価の相違には至らなかった。 本稿では,AI洗浄が実際のインタラクション結果を変えることなく,ユーザの期待を膨らませることを示す。 AIマーケティングがユーザーの期待をいかに形作るかを明らかにすることで、AI製品クレームにおける説明責任の必要性を浮き彫りにする。 さらに,Fittsの法則をAIを用いた入力デバイスを監査するための厳密な方法論レンズとして確立する。

関連論文リスト

• General Scales Unlock AI Evaluation with Explanatory and Predictive Power [57.7995945974989]
  ベンチマークはAIの進歩を導くものだが、汎用AIシステムには限られた説明力と予測力を提供している。 私たちは、一般的なAIベンチマークが実際に何を計測しているかを説明することができる、AI評価のための一般的な尺度を紹介します。 私たちの完全に自動化された方法論は、飽和しない一般的なスケールにインスタンス要求を配置する18の新しく作られたルーリックの上に構築されます。
  論文  参考訳（メタデータ） (2025-03-09T01:13:56Z)
• How Performance Pressure Influences AI-Assisted Decision Making [52.997197698288936]
  我々は、プレッシャーと説明可能なAI(XAI)技術がAIアドバイステイク行動とどのように相互作用するかを示す。 我々の結果は、圧力とXAIの異なる組み合わせで複雑な相互作用効果を示し、AIアドバイスの行動を改善するか、悪化させるかのどちらかを示す。
  論文  参考訳（メタデータ） (2024-10-21T22:39:52Z)
• To Err Is AI! Debugging as an Intervention to Facilitate Appropriate Reliance on AI Systems [11.690126756498223]
  最適な人間とAIのコラボレーションのためのビジョンは、人間のAIシステムへの「適切な依存」を必要とする。 実際には、アウト・オブ・ディストリビューションデータにおける機械学習モデルの性能格差は、データセット固有のパフォーマンスフィードバックを信頼できないものにしている。
  論文  参考訳（メタデータ） (2024-09-22T09:43:27Z)
• "AI enhances our performance, I have no doubt this one will do the same": The Placebo effect is robust to negative descriptions of AI [18.760251521240892]
  高度なAI期待は、プラセボ効果を通じて人間とAIのインタラクションのパフォーマンスを促進する。 ユーザの期待がAIインタラクションや評価に与える影響について論じる。
  論文  参考訳（メタデータ） (2023-09-28T17:05:59Z)
• Advancing Human-AI Complementarity: The Impact of User Expertise and Algorithmic Tuning on Joint Decision Making [10.890854857970488]
  ユーザのドメイン知識、AIシステムのメンタルモデル、レコメンデーションへの信頼など、多くの要因がヒューマンAIチームの成功に影響を与える可能性がある。 本研究は,非自明な血管ラベル作成作業において,血管が流れているか停止しているかを被験者に示すことを目的とした。 以上の結果から,AI-Assistantからの推薦はユーザの意思決定に役立つが,AIに対するユーザベースラインのパフォーマンスや,AIエラー型の相補的チューニングといった要因は,チーム全体のパフォーマンスに大きな影響を及ぼすことが示された。
  論文  参考訳（メタデータ） (2022-08-16T21:39:58Z)
• Cybertrust: From Explainable to Actionable and Interpretable AI (AI2) [58.981120701284816]
  Actionable and Interpretable AI (AI2)は、AIレコメンデーションにユーザの信頼度を明確に定量化し視覚化する。 これにより、AIシステムの予測を調べてテストすることで、システムの意思決定に対する信頼の基盤を確立することができる。
  論文  参考訳（メタデータ） (2022-01-26T18:53:09Z)

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。