論文の概要: "I didn't Make the Micro Decisions": Measuring, Inducing, and Exposing Goal-Level AI Contributions in Collaboration

• arxiv url: http://arxiv.org/abs/2605.21363v1
• Date: Wed, 20 May 2026 16:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.780192
• Title: "I didn't Make the Micro Decisions": Measuring, Inducing, and Exposing Goal-Level AI Contributions in Collaboration
• Title（参考訳）: 「私はマイクロ意思決定をしなかった」:コラボレーションにおけるゴールレベルAIコントリビューションの測定・導入・公開
• Authors: Eunsu Kim, Jessica R. Mindel, Kyungjin Kim, Sherry Tongshuang Wu,
• Abstract要約: 目標レベルの属性フレームワークであるCoTraceを導入し、明確な目標を検証可能な要件に分解する。 CoTraceを638の現実世界のコラボレーションログに適用すると、目標形成コントリビューションのわずか11～26%がモデルであることがわかった。 相互作用設計の選択がモデル目標形成行動に大きく影響を与えることを示す。
• 参考スコア（独自算出の注目度）: 6.955777768452303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As large language models (LLMs) increasingly shape how users form, refine, and extend their goals, attributing contributions in human-AI collaboration becomes critical for users calibrating their own reliance and for evaluators assessing AI-assisted work. Yet existing methods focus on final artifacts, missing the process through which goals themselves are jointly shaped. We introduce a goal-level attribution framework, CoTrace, that decomposes explicit goals into verifiable requirements and traces both direct contributions and indirect influences across dialogue turns. Applying CoTrace to 638 real-world collaboration logs, we find that while models account for only 11-26% of goal-shaping contribution, they contribute substantially more on introducing lower-level concrete requirements, and make various kinds of indirect contributions. Through controlled simulations, we show that interaction design choices significantly affect model goal-shaping behavior. In a user study, exposing participants to goal-level analyses shifts their perceived contributions by nearly 2 points on a 5-point scale, revealing systematic miscalibration in how users understand their own AI-assisted work.
• Abstract（参考訳）: 大規模言語モデル(LLM)が、ユーザの目標形成、洗練、拡張の方法を形成するにつれて、AI支援作業の評価を行うユーザにとって、人間とAIのコラボレーションへの貢献が重要になる。 しかし、既存の手法では最終成果物に焦点を合わせており、目標自体が共同で形成されるプロセスが欠落している。 目標レベルの属性フレームワークであるCoTraceを導入し、明確な目標を検証可能な要件に分解し、直接のコントリビューションと対話のターン間の間接的な影響の両方をトレースする。 CoTraceを638の現実世界のコラボレーションログに適用すると、モデルが目標形成の貢献のわずか11～26%を占める一方で、低レベルな具体的な要求の導入に大きく貢献し、さまざまな間接的なコントリビューションを行います。 制御されたシミュレーションにより、相互作用設計の選択がモデル目標形成行動に顕著に影響を及ぼすことを示す。 ユーザスタディでは、参加者を目標レベルの分析に公開することで、認識された貢献を5ポイントのスケールで2ポイント近くシフトさせ、ユーザが自身のAI支援作業を理解する方法に関する体系的な誤解を明らかにする。

関連論文リスト

• Seeking Information with RAG-Assistants: Does Model Size Matter in Human-AI Collaborations? [2.824083651578116]
  本研究では,現実的なマルチターン情報探索シナリオにおいて,RAG(Retrieval-Augmented Generation)に基づくアシスタントを評価する。 そこで本研究では,モデルサイズが人間とAIの協調力学をどのように形成するかを考察する。 その結果,モデルサイズに関係なく,モデルのみのベースラインに対する人間とAIの協調作業の性能向上が重要であることがわかった。
  論文  参考訳（メタデータ） (2026-05-01T15:18:32Z)
• Beyond Words: Evaluating and Bridging Epistemic Divergence in User-Agent Interaction via Theory of Mind [8.740788873949471]
  大規模言語モデル(LLM)は急速に発展し、汎用タスクと専門タスクの両方に広く応用されている。 意図や指示が不正確に伝達されるとき、彼らは依然として、真のユーザニーズを理解し、応答するのに苦労しています。
  論文  参考訳（メタデータ） (2026-02-14T16:01:59Z)
• Just-In-Time Objectives: A General Approach for Specialized AI Interactions [55.20968270133027]
  大規模な言語モデルは、幅広い関数セットを約束するが、特定の目的を与えられていない場合は、clichで照らされた電子メールのドラフト作成などのミルクトーストの結果をデフォルトとする。 我々は,ユーザの移動目標を推定し,その特定の目的を迅速に最適化し,LLMがより応答性が高く望まれるツール,インターフェース,応答を生成できることを実証する。
  論文  参考訳（メタデータ） (2025-10-16T11:53:17Z)
• How can we assess human-agent interactions? Case studies in software agent design [52.953425368394306]
  我々は,人間とエージェントの相互作用の厳密な評価に向けて,二つの大きな一歩を踏み出した。 エージェント設計のより効率的な人間中心評価のためのフレームワークであるPULSEを提案する。 私たちは、オープンソースのソフトウェアエージェントOpenHandsを中心に構築された大規模なWebプラットフォームにフレームワークをデプロイします。
  論文  参考訳（メタデータ） (2025-10-10T19:04:28Z)
• Prototypical Human-AI Collaboration Behaviors from LLM-Assisted Writing in the Wild [10.23533525266164]
  大規模言語モデル(LLM)は、複雑な記述において、ニーズに合うように世代を操るために使用される。 本研究では,タスク作成に携わるユーザを対象に,この協調行動の大規模分析を行う。 そこで本研究では,LLMとユーザが対話する際の特徴的行動の同定を行った。
  論文  参考訳（メタデータ） (2025-05-21T21:13:01Z)
• Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
  AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。 不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。 対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
  論文  参考訳（メタデータ） (2025-02-18T17:12:26Z)
• Discrete Factorial Representations as an Abstraction for Goal Conditioned Reinforcement Learning [99.38163119531745]
  離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。 分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
  論文  参考訳（メタデータ） (2022-11-01T03:31:43Z)
• Adversarial Intrinsic Motivation for Reinforcement Learning [60.322878138199364]
  政策状態の訪問分布と目標分布とのワッサースタイン-1距離が強化学習タスクに有効に活用できるかどうかを検討する。 我々のアプローチは、AIM (Adversarial Intrinsic Motivation) と呼ばれ、このワッサーシュタイン-1距離をその双対目的を通して推定し、補足報酬関数を計算する。
  論文  参考訳（メタデータ） (2021-05-27T17:51:34Z)

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。