論文の概要: Cognitive offloading and the speedup illusion in human-AI interaction

• arxiv url: http://arxiv.org/abs/2605.23177v1
• Date: Fri, 22 May 2026 02:53:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.171057
• Title: Cognitive offloading and the speedup illusion in human-AI interaction
• Title（参考訳）: 人間とAIの相互作用における認知的オフロードとスピードアップ錯覚
• Authors: Sunny Yu, Myra Cheng, Ahmad Jabbar, Ilia Sucholutsky, Katherine M. Collins, Dan Jurafsky, Robert D. Hawkins,
• Abstract要約: 大規模言語モデル(LLM)は、タスク完了のスピードアップによって人間の生産性を向上する可能性がある。 我々は,期待と現実のミスマッチを特徴付けるための大規模行動学的研究を行った。 我々は、独立した完了時間の正確な予測を行うが、AI支援時間を大幅に過小評価するスピードアップ錯覚を特定する。
• 参考スコア（独自算出の注目度）: 39.088619511248986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have the potential to boost human productivity by speeding up task completion -- provided users know when to offload cognitive work to them. But we do not know if users are well-calibrated in estimating these potential time savings. We conducted a preregistered large-scale behavioral study (N = 1237) to characterize mismatches between expectations and reality, with a focus on simple cognitive tasks. While actual completion times between independent completion and AI-assisted completion did not differ, participants predicted AI to be significantly faster. The same bias was not observed when imagining help from another human participant. We identify a speedup illusion where people have accurate forecasts of independent completion times but significantly underestimate AI-assisted times. Additionally, time and effort dissociate: participants reported lower subjective effort with AI despite equivalent completion times. This suggests that completion time itself is not sufficient to characterize efficiency gains.
• Abstract（参考訳）: 大きな言語モデル(LLM)は、ユーザが認知作業をいつオフロードするかを知っていれば、タスク完了をスピードアップすることで、人間の生産性を高める可能性がある。 しかし、ユーザーがこうした潜在的な時間節約を十分に見積もっているかどうかは不明だ。 予測と現実のミスマッチを特徴付けるために, 大規模行動調査(N=1237)を実施し, 単純な認知課題に焦点をあてた。 独立した完了とAI支援完了の間の実際の完了時間は変わらないが、参加者はAIが大幅に速くなると予測した。 同じバイアスは、別の人間の参加者の助けを想像しても観察されなかった。 我々は、独立した完了時間の正確な予測を行うが、AI支援時間を大幅に過小評価するスピードアップ錯覚を特定する。 さらに、時間と労力が解離する:参加者は、同等の完了時間にもかかわらず、AIに対する主観的な労力が低いことを報告した。 これは、完了時間自体が効率の利得を特徴づけるには不十分であることを示している。

関連論文リスト

• The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks [39.088619511248986]
  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。
  論文  参考訳（メタデータ） (2026-05-21T16:28:20Z)
• 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)
• AI Agents as Universal Task Solvers [94.49762121230042]
  我々は,過去のデータを用いて,普遍的な解法が達成できる最適なスピードアップが,アルゴリズム情報と密接な関係があることを示す。 我々は、推論モデルをスケールする際に最適化する重要な量は時間であり、学習における重要な役割は、これまでは間接的にのみ考慮されてきたと論じている。
  論文  参考訳（メタデータ） (2025-10-14T02:17:54Z)
• 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)
• Comparing Zealous and Restrained AI Recommendations in a Real-World Human-AI Collaboration Task [11.040918613968854]
  正確さとリコールのトレードオフを慎重に活用することで、チームのパフォーマンスが大幅に向上する、と私たちは主張する。 我々は、a)AIアシストなし、b)高精度な「制限された」AI、c)3,466時間以上のアノテーション作業で、78のプロのアノテータのパフォーマンスを分析する。
  論文  参考訳（メタデータ） (2024-10-06T23:19:19Z)
• Can AI Mitigate Human Perceptual Biases? A Pilot Study [3.2997705040068253]
  可視化タスクにおいて,機械レコメンデーションが人間の偏見を損なうかどうかを測定するための実験結果を示す。 本研究では,線グラフ上のデータポイントのアンサンブル平均を推定する作業において,プルダウンの効果について検討した。 我々のパイロット研究によると、参加者はAIアシストのないベースラインに比べて、アンサンブルタスクにおけるAIアシストが速いことがわかった。
  論文  参考訳（メタデータ） (2023-10-10T21:35:15Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Human Decision Makings on Curriculum Reinforcement Learning with Difficulty Adjustment [52.07473934146584]
  我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。 本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。 強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
  論文  参考訳（メタデータ） (2022-08-04T23:53:51Z)
• Deciding Fast and Slow: The Role of Cognitive Biases in AI-assisted Decision-making [46.625616262738404]
  我々は、認知科学の分野からの知識を用いて、人間とAIの協調的な意思決定設定における認知バイアスを考慮します。 私たちは、人間とAIのコラボレーションでよく見られるバイアスであるバイアスのアンカーに特に焦点を当てています。
  論文  参考訳（メタデータ） (2020-10-15T22:25:41Z)

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。