論文の概要: Generative AI and the Productivity Divide: Human-AI Complementarities in Education

• arxiv url: http://arxiv.org/abs/2605.18143v1
• Date: Mon, 18 May 2026 09:50:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.290977
• Title: Generative AI and the Productivity Divide: Human-AI Complementarities in Education
• Title（参考訳）: 創造的AIと生産性の分断:教育における人間とAIの相補性
• Authors: Lihi Idan, Bharat Anand,
• Abstract要約: 生成人工知能(GenAI)は、企業が知識を作成し、処理し、適用する方法を変えつつある。 平均して、GenAIアクセスはタスク性能を著しく向上させたが、ゲインの分布は非常に不均一であった。 高AICの参加者は圧倒的な利得を達成し、低AICの参加者は限定的あるいは負の限界リターンを示した。
• 参考スコア（独自算出の注目度）: 2.2940141855172036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Artificial Intelligence (GenAI) is transforming how firms create, process, and apply knowledge, yet little is known about the heterogeneity of its productivity effects across users. We report results from a randomized controlled experiment in which participants-analogs of early-career knowledge workers-were assigned to self-study a technical domain using either traditional resources or large-language-model (LLM) assistance. On average, GenAI access significantly increased task performance, but the distribution of gains was highly uneven. Improvements were not predicted by GPA or prior knowledge, but by \textit{AI Interaction Competence (AIC)} -- the ability to elicit, filter, and verify model outputs. High-AIC participants realized outsized gains; low-AIC participants saw limited or even negative marginal returns. A scaffolding intervention (conceptual maps) reduced outcome variance, indicating that standardized workflows can mitigate inequality in AI-mediated performance. We interpret these findings through the lens of human-AI complementarities: GenAI raises mean productivity while introducing a new axis of capability inequality. Managerially, firms should pair GenAI access with short AIC micro-training and simple standard operating procedures to capture value consistently and avoid uneven adoption outcomes.
• Abstract（参考訳）: Generative Artificial Intelligence(GenAI)は、企業が知識を作成し、処理し、適用する方法を変えようとしているが、ユーザ間の生産性効果の不均一性についてはほとんど知られていない。 従来型の資源と大規模言語モデル(LLM)を用いた技術領域の自己学習に,若年者の知識労働者の参加者・アナログが割り当てられたランダム化制御実験の結果を報告する。 平均して、GenAIアクセスはタスク性能を著しく向上させたが、ゲインの分布は非常に不均一であった。 改善は、GPAや事前の知識によって予測されず、モデル出力を抽出、フィルタリング、検証する機能である \textit{AI Interaction Competence (AIC) によって予測された。 高AICの参加者は圧倒的な利得を達成し、低AICの参加者は限定的あるいは負の限界リターンを示した。 足場介入(コンセプトマップ)は結果のばらつきを減らし、標準化されたワークフローがAIによるパフォーマンスの不平等を軽減できることを示している。 GenAIは、能力不平等の新たな軸を導入しながら、平均的な生産性を高めます。 管理面では、GenAIアクセスを短いAICのマイクロトレーニングと単純な標準の運用手順と組み合わせて、価値を継続的に取得し、不均一な採用結果を避ける必要がある。

関連論文リスト

• Human-AI Productivity Paradoxes: Modeling the Interplay of Skill, Effort, and AI Assistance [1.9326159189892944]
  本稿では,AIが生産性に影響を及ぼすいくつかのメカニズムをよりよく理解し,分析するために,人間-AIインタラクションのモデルを提案する。 我々の設定では、スキルレベルの異なる人間エージェントは、AI支援によって特定のタスク結果を生成するために、有効性を最大化する努力を行う。 スキル開発に内在性を導入するか、AIの信頼性が低いかは、生産性のパラドックスを引き起こす可能性がある。
  論文  参考訳（メタデータ） (2026-05-12T00:12:27Z)
• Modeling Developer Burnout with GenAI Adoption [7.774584001694508]
  我々は、GenAIの採用と開発者のバーンアウトとの関係について検討する。 最初に442人の開発者を対象に、さまざまな組織、役割、経験レベルを調査しました。 以上の結果から,GenAIの採用は雇用需要の増加によるバーンアウトの増大を招き,雇用資源の増大とGenAIに対する肯定的な認識がこれらの効果を緩和することが示された。
  論文  参考訳（メタデータ） (2025-10-08T18:35:38Z)
• Evaluating the AI-Lab Intervention: Impact on Student Perception and Use of Generative AI in Early Undergraduate Computer Science Courses [0.0]
  Generative AI(GenAI)はコンピュータサイエンス教育に急速に参入しつつある。 形式コースにおける道具使用の指針となる構造的足場の研究のギャップを伴う過信共存に関する懸念。 本研究は,「AI-Lab」の介入が大学生に与える影響について考察する。
  論文  参考訳（メタデータ） (2025-04-30T18:12:42Z)
• 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)
• Measuring Human Contribution in AI-Assisted Content Generation [66.06040950325969]
  本研究は,AIによるコンテンツ生成における人間の貢献度を測定する研究課題を提起する。 人間の入力とAI支援出力の自己情報に対する相互情報を計算することにより、コンテンツ生成における人間の比例情報貢献を定量化する。
  論文  参考訳（メタデータ） (2024-08-27T05:56:04Z)
• Exploration with Principles for Diverse AI Supervision [88.61687950039662]
  次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。 この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。 この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。 本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:03:39Z)
• Human-AI Interactions and Societal Pitfalls [3.4471935446780355]
  生成人工知能(AI)を利用すると、ユーザーは生産性が向上するかもしれないが、AI生成コンテンツは好みと正確に一致しないかもしれない。 個人レベルの意思決定とAIトレーニングの相互作用が社会的課題を引き起こす可能性があることを示す。
  論文  参考訳（メタデータ） (2023-09-19T09:09:59Z)

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。