論文の概要: HAAS: A Policy-Aware Framework for Adaptive Task Allocation Between Humans and Artificial Intelligence Systems

• arxiv url: http://arxiv.org/abs/2605.02832v1
• Date: Mon, 04 May 2026 17:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.42485
• Title: HAAS: A Policy-Aware Framework for Adaptive Task Allocation Between Humans and Artificial Intelligence Systems
• Title（参考訳）: HAAS:人間と人工知能システム間の適応的タスク割り当てのためのポリシー対応フレームワーク
• Authors: Vicente Pelechanoa, Antoni Mestre, Manoli Albert, Miriam Gil,
• Abstract要約: 人間とAIは、日常的にタスクを共有したり、コンテキストや疲労、関連する利害関係に応じて補完的な役割を担ったりします。 Human-AI Adaptive Symbiosis (HAAS) は、ソフトウェア工学と製造における適応的なタスク割り当てのためのフレームワークである。
• 参考スコア（独自算出の注目度）: 0.43748379918040853
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deciding how to distribute work between humans and AI systems is a central challenge in organisational design. Most approaches treat this as a binary choice, yet the operational reality is richer: humans and AI routinely share tasks or take complementary roles depending on context, fatigue, and the stakes involved. Governing that distribution -- balancing efficiency, oversight, and human capability -- remains an open problem. This paper presents Human-AI Adaptive Symbiosis (HAAS), an implemented framework for adaptive task allocation in software engineering and manufacturing. HAAS combines two coupled components: a rule-based expert system that enforces governance constraints before any learning occurs, and a contextual-bandit learner that selects among feasible collaboration modes from outcome feedback. Task-agent fit is represented through five auditable cognitive dimensions and a five-mode autonomy spectrum -- from human-only to fully autonomous -- embedded in a reproducible benchmark spanning both domains. Three empirical findings emerge. First, governance is not a binary switch but a tunable design variable: tighter constraints predictably convert autonomous AI assignments into supervised collaborations, with domain-specific costs and benefits. Second, in manufacturing, stronger governance can improve operational performance and reduce fatigue simultaneously -- a workload-buffering effect that contradicts the usual framing of governance as pure overhead. Third, no single governance setting dominates across all contexts; moderate governance becomes increasingly competitive as the learner accumulates experience within the governed action space. Together, these findings position HAAS as a pre-deployment workbench for comparing and inspecting human--AI allocation policies before organisational commitment.
• Abstract（参考訳）: 人間とAIシステムの間で仕事を分配する方法を決定することは、組織設計における中心的な課題である。 人間とAIは日常的にタスクを共有したり、コンテキストや疲労、関連する利害関係に応じて補完的な役割を担ったりします。 効率性、監視性、人間の能力のバランスを保ちながら、分散を抑えることは、まだ未解決の問題だ。 本稿では,ソフトウェア工学と製造における適応的タスク割り当てのためのフレームワークであるHuman-AI Adaptive Symbiosis (HAAS)を提案する。 HAASは、学習前にガバナンスの制約を強制するルールベースのエキスパートシステムと、成果フィードバックから実行可能なコラボレーションモードの中から選択するコンテキスト帯域学習システムである。 タスクエージェントの適合性は、監査可能な5つの認知次元と、5モードの自律スペクトル(人間のみから完全に自律)を通じて表現され、両方のドメインにまたがる再現可能なベンチマークに埋め込まれている。 3つの経験的発見が現れる。 まず、ガバナンスはバイナリスイッチではなく、変更可能な設計変数である。厳密な制約は、自律的なAI代入を、ドメイン固有のコストとメリットとともに、監督されたコラボレーションに変換する。 第二に、製造業では、強力なガバナンスが運用パフォーマンスを改善し、疲労を同時に低減します。 適度なガバナンスは、学習者が管理されたアクション空間内で経験を蓄積するにつれて、ますます競争力を高めます。 これらの知見は、HAASを、組織的なコミットメントの前に、人間-AIアロケーションポリシーを比較・検査するための事前デプロイワークベンチとして位置づけた。

関連論文リスト

• Not My Truce: Personality Differences in AI-Mediated Workplace Negotiation [15.57105036031543]
  理論駆動型AI(Trucey)、汎用AI(Control-AI)、従来の交渉ハンドブック(Control-NoAI)を比較した。 回復力のある労働者は、主にハンドブックから幅広い心理的利益を得た。 過剰管理された労働者は、理論駆動型AIによる結果特異的な改善を示した。 統制下にある労働者は、枠組みに関わったにも拘わらず、最小限の効果を示した。
  論文  参考訳（メタデータ） (2026-04-01T04:26:26Z)
• AI to Learn 2.0: A Deliverable-Oriented Governance Framework and Maturity Rubric for Opaque AI in Learning-Intensive Domains [0.0]
  ジェネレーティブAIは、現在のガバナンスフレームワークよりも早く研究、教育、プロフェッショナルな仕事に入り、AIによるアウトプットをどのように判断すべきかを特定できる。 本稿では,AI支援作業のためのデリバリ指向ガバナンスフレームワークであるLearning 2.0を提案する。
  論文  参考訳（メタデータ） (2026-03-16T11:44:43Z)
• Orchestrating Human-AI Teams: The Manager Agent as a Unifying Research Challenge [9.36518257854918]
  本稿では,動的な人間-AIチーム内での協調を組織する自律型エージェントシステムの研究ビジョンについて述べる。 複雑な目標をタスクグラフに分解し、タスクを人間やAI労働者に割り当て、進捗を監視し、透過的なステークホルダーコミュニケーションを維持するエージェントである。 マルチエージェントワークフローオーケストレーションのためのオープンソースのシミュレーションおよび評価フレームワークであるMA-Gymをリリースする。
  論文  参考訳（メタデータ） (2025-10-02T20:51:39Z)
• OWL: Optimized Workforce Learning for General Multi-Agent Assistance in Real-World Task Automation [65.15955645757705]
  専門的な実行から戦略的計画を切り離す階層的なマルチエージェントフレームワークであるWorkforceを紹介します。 推論中、Workforceはワーカーエージェントの追加や修正によって新しいドメインにシームレスに適応する。 トレーニングには、ドメイン間の一般化を改善する最適化されたワークフォース学習(OWL)を導入する。
  論文  参考訳（メタデータ） (2025-05-29T17:51:58Z)
• A Task-Driven Human-AI Collaboration: When to Automate, When to Collaborate, When to Challenge [16.734679201317896]
  性能を改善しつつ、適切な人間とAIの統合が有意義なエージェンシーを維持するかを示す。 この枠組みは、実用的で道徳的に健全な人間とAIのコラボレーションの基礎を築いた。
  論文  参考訳（メタデータ） (2025-05-23T23:19:15Z)
• Autonomous Open-Ended Learning of Tasks with Non-Stationary Interdependencies [64.0476282000118]
  固有のモチベーションは、目標間のトレーニング時間を適切に割り当てるタスクに依存しないシグナルを生成することが証明されている。 内在的に動機付けられたオープンエンドラーニングの分野におけるほとんどの研究は、目標が互いに独立しているシナリオに焦点を当てているが、相互依存タスクの自律的な獲得を研究するのはごくわずかである。 特に,タスク間の関係に関する情報をアーキテクチャのより高レベルなレベルで組み込むことの重要性を示す。 そして、自律的に取得したシーケンスを格納する新しい学習層を追加することで、前者を拡張する新しいシステムであるH-GRAILを紹介する。
  論文  参考訳（メタデータ） (2022-05-16T10:43:01Z)
• Human-Algorithm Collaboration: Achieving Complementarity and Avoiding Unfairness [92.26039686430204]
  慎重に設計されたシステムであっても、補完的な性能はあり得ないことを示す。 まず,簡単な人間アルゴリズムをモデル化するための理論的枠組みを提案する。 次に、このモデルを用いて相補性が不可能な条件を証明する。
  論文  参考訳（メタデータ） (2022-02-17T18:44:41Z)
• iCORPP: Interleaved Commonsense Reasoning and Probabilistic Planning on Robots [46.13039152809055]
  我々はiCORPPと呼ばれる新しいアルゴリズムを提案し、現在の世界状態を同時に推定し、世界ダイナミクスの推論を行い、タスク指向のコントローラを構築する。 結果は、競合するベースラインと比較して、スケーラビリティ、効率、適応性が大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2020-04-18T17:46:59Z)

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。