論文の概要: Who Uses AI? Platform Selection and the Measurement of Occupational AI Exposure

• arxiv url: http://arxiv.org/abs/2605.21743v2
• Date: Wed, 27 May 2026 11:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:54.857145
• Title: Who Uses AI? Platform Selection and the Measurement of Occupational AI Exposure
• Title（参考訳）: AIを利用するのは誰か? プラットフォーム選択と職業的AI露出の測定
• Authors: Michelle Yin, Burhan Ogut,
• Abstract要約: プラットフォームからの露出スコアは,タスクレベルのAI適用性と,プラットフォーム利用者の作業構成とを組み合わせていることを示す。 我々は、結果の非古典的測定誤差を形式化し、それらを中間および内占有の選択に分解し、労働力重み付き部分識別境界を構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversation logs from AI platforms are increasingly used to measure occupational exposure to artificial intelligence, but the users observed in these logs are not the workforce. We show that platform-derived exposure scores combine task-level AI applicability with the occupational composition of the platform's user base. Holding the empirical design fixed, changing only the platform input changes the post-ChatGPT employment coefficient by a factor of 1.9, and consumer and enterprise channels within the same vendor disagree in sign. We formalize the resulting non-classical measurement error, decompose it into between- and within-occupation selection, and construct workforce-reweighted partial-identification bounds. Reweighting to Bureau of Labor Statistics employment shares attenuates estimates by 42 to 93 percent. The bias captures augmentation among observed users more directly than substitution in the workforce.
• Abstract（参考訳）: AIプラットフォームからの会話ログは、人工知能の職業的露出を測定するためにますます使われていますが、これらのログで観察されるユーザは、労働力ではありません。 プラットフォームからの露出スコアは,タスクレベルのAI適用性と,プラットフォーム利用者の作業構成とを組み合わせていることを示す。 経験的デザインを固定し、プラットフォーム入力のみを変更することで、ChatGPT後の雇用係数が1.9倍に変化する。 我々は、結果の非古典的測定誤差を形式化し、それらを中間および内占有の選択に分解し、労働力重み付き部分識別境界を構築する。 労働統計局の雇用統計に対する重み付けは、推計を42～93%減らす。 このバイアスは、観察されたユーザーの増員を、労働力の代替よりも直接的に捉えている。

関連論文リスト

• Agentic Test-Time Scaling for WebAgents [65.5178428849495]
  CATTS(Confidence-Aware Test-Time Scaling)を提案する。 CATTSは、WebArena-LiteとGoBrowseのパフォーマンスをReact上で最大9.1%改善し、均一なスケーリングよりも最大2.3倍少ないトークンを使用する。
  論文  参考訳（メタデータ） (2026-02-12T18:58:30Z)
• Accuracy Standards for AI at Work vs. Personal Life: Evidence from an Online Survey [0.0]
  我々は、AIを活用したツールをプロフェッショナルとパーソナルのコンテキストで使う際に、人々がいかに正確さと引き換えにするかを研究する。 現代のAIシステムは許容できるが識別できない出力を生成できるため、我々は「正確性」を文脈固有の信頼性として定義する。
  論文  参考訳（メタデータ） (2026-02-06T19:13:51Z)
• Addressing Bias in LLMs: Strategies and Application to Fair AI-based Recruitment [49.81946749379338]
  この研究は、トランスフォーマーベースのシステムの能力を分析して、データに存在する人口統計バイアスを学習する。 最終ツールにおける偏りを緩和する手段として,学習パイプラインからの性別情報を削減するためのプライバシー向上フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:29:43Z)
• The Devil is in the Neurons: Interpreting and Mitigating Social Biases in Pre-trained Language Models [78.69526166193236]
  プレトレーニング言語モデル(PLM)は、社会的バイアスのような有害な情報を含むことが認識されている。 我々は,社会バイアスなどの望ましくない行動に起因する言語モデルにおいて,正確に単位(すなわちニューロン)を特定するために,sc Social Bias Neuronsを提案する。 StereoSetの以前の測定値からわかるように、我々のモデルは、低コストで言語モデリング能力を維持しながら、より高い公平性を達成する。
  論文  参考訳（メタデータ） (2024-06-14T15:41:06Z)
• Beyond Trial-and-Error: Predicting User Abandonment After a Moderation Intervention [0.6918368994425961]
  現在のコンテンツモデレーションは、リアクティブで試行錯誤的なアプローチに従っている。 我々は、モデレーターが実装前に行動の影響を予測できるように、積極的に予測的なアプローチを導入する。 Reddit上でのオンラインコミュニティの大規模な禁止に対する16,540人のユーザーの反応を調査した。
  論文  参考訳（メタデータ） (2024-04-23T08:52:41Z)
• "Generate" the Future of Work through AI: Empirical Evidence from Online Labor Markets [4.955822723273599]
  ChatGPTのようなLLM(Large Language Model)ベースの生成AIシステムは、幅広い下流タスクにわたってゼロショット学習能力を実証している。 これらのシステムは、労働市場のダイナミクスを再構築する可能性がある。 しかし、AIが需要と供給の両方に同時に影響していることを考えると、その正確な影響を予測することは難しい。
  論文  参考訳（メタデータ） (2023-08-09T19:45:00Z)
• Quantifying Social Biases Using Templates is Unreliable [41.56949396496272]
  ベンチマークに使用するテンプレートの選択にバイアス測定が敏感かどうかを検討する。 バイアス値と結果の結論は4つのタスクのテンプレート修正によって大きく異なることがわかった。
  論文  参考訳（メタデータ） (2022-10-09T20:05:29Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Increasing Fairness in Predictions Using Bias Parity Score Based Loss Function Regularization [0.8594140167290099]
  従来のバイナリクロスエントロピーに基づく精度損失と合わせて使用する正則化成分の公平性向上のファミリを導入する。 我々は、人口統計に基づく成人所得データセットと同様に、再分配予測タスクの文脈に展開する。
  論文  参考訳（メタデータ） (2021-11-05T17:42:33Z)
• Enhancing User' s Income Estimation with Super-App Alternative Data [59.60094442546867]
  これは、これらの代替データソースのパフォーマンスと、業界に受け入れられた局の収入推定器のパフォーマンスを比較します。 本論文は、金融機関がリスクプロファイルの構築に代替データを導入しようとする動機を示すものである。
  論文  参考訳（メタデータ） (2021-04-12T21:34:44Z)
• Showing Your Work Doesn't Always Work [73.63200097493576]
  『Show Your Work: Improved Reporting of Experimental Results』では、最高の学習モデルの有効性を報告している。 解析的にそれらの推定器は偏りがあり、エラーを起こしやすい仮定を用いていることを示す。 我々は、偏見のない代替案を導き、統計的シミュレーションから経験的な証拠で主張を裏付ける。
  論文  参考訳（メタデータ） (2020-04-28T17:59:01Z)

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。