論文の概要: The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks

• arxiv url: http://arxiv.org/abs/2605.22687v1
• Date: Thu, 21 May 2026 16:28:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.345962
• Title: The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks
• Title（参考訳）: 効率向上錯覚:AIの使用率を過小評価し、その利点を単純なタスクで過小評価する人々
• Authors: Sunny Yu, Myra Cheng, Ahmad Jabbar, Ilia Sucholutsky, Katherine M. Collins, Dan Jurafsky, Robert D. Hawkins,
• Abstract要約: 認知学的に単純なタスクにAIを使う傾向について検討し、その信頼性が十分に評価されているかどうかを評価する。 たとえ効率が悪くても、AIを使う人が多いことがわかりました。 我々の結果は、AIを使うかどうかという人々の選択のメカニズムとバイアス、および過度なフィードバックループのリスクを浮き彫りにした。
• 参考スコア（独自算出の注目度）: 39.088619511248986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: People are increasingly turning to AI assistance for simple tasks, e.g., arithmetic, spell-check, and answering simple questions. But does AI assistance actually save users time and effort? We investigate people's propensity to use AI for cognitively simple tasks and assess whether their reliance is well-calibrated. Across three pre-registered user studies (N = 2691), we find that people frequently choose to use AI even when doing so is inefficient (i.e. provides no meaningful time or effort savings). We identify systematic miscalibration at two levels: (1) a self-estimate miscalibration where people on average believe that they are using AI less than they actually are, and (2) efficiency-gain illusions where people overestimate how much time and effort savings AI use affords. We also identify a session-level carryover effect where a participant's prior AI use leads to further AI adoption and entrenches their miscalibration about time savings. Our results shed light on the mechanisms and biases underlying people's choice of whether to use AI as well as the risk of an overreliance feedback loop.
• Abstract（参考訳）: 人々は、簡単なタスク、例えば算術、スペルチェック、簡単な質問に答えるために、AIアシスタントに目を向けている。 しかし、AIアシスタントは実際にユーザーの時間と労力を節約するのか? 認知学的に単純なタスクにAIを使う傾向について検討し、その信頼性が十分に評価されているかどうかを評価する。 3つの事前登録されたユーザスタディ(N = 2691)の中で、AIが非効率である場合(つまり、意味のある時間や労力の節約を提供しない場合)も、AIを使用することを頻繁に選択していることが分かりました。 1) 平均的な人々がAIを実際により少ない時間で使っていると信じている自己見積の誤校正と,(2) 人々がAIがどれだけの時間と労力を節約できるかを過大評価する効率向上の錯覚である。 また、参加者の事前AI使用がAIの採用をさらに促進し、時間の節約に関する彼らの誤解を和らげる、セッションレベルの転送効果も確認します。 我々の結果は、AIを使うかどうかという人々の選択のメカニズムとバイアス、および過度なフィードバックループのリスクを浮き彫りにした。

関連論文リスト

• AI Assistance Reduces Persistence and Hurts Independent Performance [1.3667120179358196]
  AIアシストによる2つの重要な結果の証拠を提供する。 AIアシストは短期的にはパフォーマンスを改善するが、AIなしでは人々は著しくパフォーマンスが悪くなり、諦める可能性が高くなる。 これらの結果は、AIモデル開発が、即時タスク完了と同時に長期的な能力の優先順位付けの必要性を示唆している。
  論文  参考訳（メタデータ） (2026-04-06T14:43:48Z)
• Explainable AI as a Double-Edged Sword in Dermatology: The Impact on Clinicians versus The Public [46.86429592892395]
  説明可能なAI(XAI)は、AI意思決定の洞察を提供することによって、この問題に対処する。 フェアネスに基づく診断AIモデルと異なるXAI説明を組み合わせた2つの大規模実験の結果を報告する。
  論文  参考訳（メタデータ） (2025-12-14T00:06:06Z)
• 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)
• Accuracy-Time Tradeoffs in AI-Assisted Decision Making under Time Pressure [31.723686787975687]
  時間のプレッシャーが、ユーザーが異なるAIアシストを使用する方法にどのように影響するかを示す。 また、ユーザの過度信頼率が、ユーザの行動の重要な予測要因であることもわかりました。 全体として、我々の研究は、AIアシストは時間圧が全くないのに比べて、時間圧下にあるときの精度と時間のトレードオフが異なることを示唆している。
  論文  参考訳（メタデータ） (2023-06-12T23:24:16Z)
• 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)
• To Trust or to Think: Cognitive Forcing Functions Can Reduce Overreliance on AI in AI-assisted Decision-making [4.877174544937129]
  AIによる意思決定支援ツールによってサポートされる人々は、しばしばAIに過度に依存します。 AIの決定に説明を加えることは、過度な信頼を減らすものではありません。 我々の研究は、人間の認知モチベーションが説明可能なAIソリューションの有効性を損なうことを示唆している。
  論文  参考訳（メタデータ） (2021-02-19T00:38:53Z)
• Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
  AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。 我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。 実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
  論文  参考訳（メタデータ） (2020-04-27T19:06:28Z)
• Effect of Confidence and Explanation on Accuracy and Trust Calibration in AI-Assisted Decision Making [53.62514158534574]
  ケース固有のモデル情報を明らかにする特徴が、信頼度を調整し、人間とAIのジョイントパフォーマンスを向上させることができるかどうかを検討する。 信頼スコアは、AIモデルに対する人々の信頼を校正するのに役立ちますが、信頼の校正だけでは、AI支援による意思決定を改善するには不十分です。
  論文  参考訳（メタデータ） (2020-01-07T15:33:48Z)

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。