論文の概要: Human-AI Collaboration in Science at Scale: A Global Large-scale Randomized Field Experiment

• arxiv url: http://arxiv.org/abs/2605.24180v1
• Date: Fri, 22 May 2026 20:06:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.726544
• Title: Human-AI Collaboration in Science at Scale: A Global Large-scale Randomized Field Experiment
• Title（参考訳）: 規模の科学における人間とAIのコラボレーション:グローバルな大規模ランダムフィールド実験
• Abstract要約: カスタマイズされたAIベースのフィードバックを31,000 arXivのプレプリントで提供しています。 フィードバックを受けた著者は、原稿を改訂する可能性が著しく高かった。 これらの効果は、英語以外の研究領域の著者の間では最も強かった。
• 参考スコア（独自算出の注目度）: 30.183277651952196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaboration is the defining mode of modern science, yet its core mechanism -- feedback -- remains hard to observe, difficult to scale, and unequally distributed. Here we test whether large language models (LLMs) can contribute to this hidden but vital practice and reallocate scientific feedback, an essential yet scarce resource for knowledge production. In a global large-scale randomized field experiment, we delivered customized LLM-generated feedback for over 31,000 arXiv preprints across 150 fields and more than 45,000 researchers from 133 geographic regions. Relative to controls, authors who received feedback had a significantly higher likelihood of revising their manuscripts, corresponding to a 12.55% relative increase over the baseline revision rate. Exposure to AI feedback also increased authors' subsequent use of LLM tools in their future papers, suggesting longer-run shifts in scientific practice. These effects were strongest among authors from non-English-dominant research regions, manuscripts less embedded in the scholarly literature, and teams with lower h-indexes and earlier career stages, consistent with the idea that AI feedback may provide the greatest benefit where access to timely critique is otherwise limited. Together, these findings provide causal evidence that structured AI-based interventions can transform access to scientific feedback from a largely private advantage into a more widely distributed resource, with broader implications for productivity, equity, and capacity across the global research system.
• Abstract（参考訳）: コラボレーションは現代科学の定義モードですが、その中核となるメカニズムであるフィードバックは、監視が難しく、スケールが難しく、不平等に分散しています。 ここでは,大規模言語モデル(LLM)が,この隠れた重要な実践に寄与するかどうかを検証し,科学的フィードバックを再配置する。 グローバルな大規模ランダム化フィールド実験では、150のフィールドにわたる31,000以上のarXivプリプリントと、133の地理的領域からの45,000以上の研究者に対して、LLM生成フィードバックをカスタマイズした。 コントロールとは対照的に、フィードバックを受けた著者は、ベースライン修正率よりも12.55%の相対的な増加に対応して、原稿を改訂する可能性が著しく高かった。 AIフィードバックへの露出はまた、将来の論文におけるLLMツールのその後の使用を増大させ、科学的な実践の長期的変化を示唆した。 これらの効果は、非英語圏の研究領域の著者、学術文献に埋め込まれていない写本、より低いh-インデックスと初期のキャリアステージのチームの間で最も強く、AIフィードバックがタイムリーな批評へのアクセスが制限される最大の利益をもたらすかもしれないという考えと一致している。 これらの発見は、構造化されたAIベースの介入が、科学的なフィードバックへのアクセスを、主にプライベートな利点から、より広く分散されたリソースへと変換し、グローバルな研究システム全体にわたって生産性、エクイティ、キャパシティに広範な影響を及ぼす、という因果的証拠を提供する。

関連論文リスト

• Return of the solo author: The changing division of labor in science in the age of generative A [0.0]
  2022年後半のChatGPTの公開リリースにより、数十年にわたるソロオーサシップの衰退が停止し、部分的に逆転したことを示す。 また、これは共同執筆者の作業が容易に置き換えられる分野において最強であり、物理的なコラボレーションに依存する分野において弱い、あるいは欠落している分野においてもあります。 この研究は、生成的AIが科学的労働にどのように代用できるかを実証的な調査と、チームサイズではなく、論文内で認知的労働を再構成する証拠を提供する。
  論文  参考訳（メタデータ） (2026-07-12T14:17:39Z)
• Towards a Medical AI Scientist [73.6056699962416]
  私たちは、臨床自律研究に特化した最初の自律的な研究フレームワークである、メディカルAIサイエンティストを紹介します。 このフレームワークは3つの研究モード、すなわち論文ベースの再現、文学にインスパイアされた革新、タスク駆動探索で動作する。 本システムでは,提案手法と実装の密接な整合性を実現するとともに,実行可能実験において極めて高い成功率を示す。
  論文  参考訳（メタデータ） (2026-03-30T15:37:25Z)
• APRES: An Agentic Paper Revision and Evaluation System [44.44345338738518]
  科学者が自身の仕事を伝え、コミュニティからフィードバックを受け取るための第一の方法は、ピアレビューである。 本稿では,Large Language Models (LLMs) を利用した新しいAPRES手法を提案する。 提案手法は,将来的な引用数を高い精度で予測できるルーリックを発見し,APRESと統合して論文を改訂し,その品質と影響を高める。
  論文  参考訳（メタデータ） (2026-03-03T16:29:13Z)
• Towards a Science of Collective AI: LLM-based Multi-Agent Systems Need a Transition from Blind Trial-and-Error to Rigorous Science [70.3658845234978]
  大規模言語モデル(LLM)はマルチエージェントシステム(MAS)の機能を大幅に拡張した。 この急速な進歩にもかかわらず、この分野はいまだに実証的な試行錯誤に大きく依存している。 このボトルネックは、帰属の曖昧さに起因している。 本稿では,協調運転要因を体系的に同定する要因帰属パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-05T04:19:52Z)
• Does GenAI Rewrite How We Write? An Empirical Study on Two-Million Preprints [15.070885964897734]
  生成型大規模言語モデル(LLM)は、原稿の書き方を変えることによって、さらなる破壊をもたらす可能性がある。 本稿は、2016年から2025年(115ヶ月)にかけての2100万件以上のプレプリントを4つの主要なリポジトリで大規模に分析することで、このギャップを解消する。 以上の結果から,LSMは提出サイクルと修正サイクルを加速し,言語的複雑性が緩やかに増加し,AI関連トピックが不均等に拡大したことが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-18T01:37:40Z)
• XtraGPT: Context-Aware and Controllable Academic Paper Revision [43.263488839387584]
  本稿では,基準誘導型意図アライメントと文脈認識モデリングを中心とした学術論文改訂のための人間-AI協調フレームワークを提案する。 XtraGPTは,コンテクスト対応,命令誘導型書き込み支援のためのオープンソースのLLMスイートである。
  論文  参考訳（メタデータ） (2025-05-16T15:02:19Z)
• Advancing AI Research Assistants with Expert-Involved Learning [84.30323604785646]
  大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) は、生物医学的な発見を促進することを約束するが、その信頼性は未定である。 ARIEL(AI Research Assistant for Expert-in-the-Loop Learning)は,オープンソースの評価・最適化フレームワークである。 LMMは詳細な視覚的推論に苦しむのに対し、最先端のモデルでは流動性はあるが不完全な要約を生成する。
  論文  参考訳（メタデータ） (2025-05-03T14:21:48Z)
• ResearchBench: Benchmarking LLMs in Scientific Discovery via Inspiration-Based Task Decomposition [67.26124739345332]
  大規模言語モデル(LLM)は科学的研究を支援する可能性を示しているが、高品質な研究仮説を発見する能力はいまだ検討されていない。 我々は,LLMを科学的発見のサブタスクのほぼ十分セットで評価するための,最初の大規模ベンチマークを紹介する。 学術論文から重要コンポーネント(研究質問、背景調査、インスピレーション、仮説)を抽出する自動フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-03-27T08:09:15Z)
• SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [97.31347312130119]
  SciRIFF(Scientific Resource for Instruction-Following and Finetuning)は、トレーニングと評価のための137K命令フォローインスタンスのデータセットで、54のタスクをカバーする。 これらのタスクは、情報抽出、要約、質問応答、クレーム検証、分類の5つの中核的な科学文献理解能力にまたがる。 SciRIFFは、さまざまな科学分野にわたる研究文献から情報を抽出し、合成するための、完全に専門家によって書かれた高品質な命令追跡データセットである。
  論文  参考訳（メタデータ） (2024-06-10T21:22:08Z)
• ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
  ResearchAgentは、新しい作品のアイデアと運用のためのAIベースのシステムである。 ResearchAgentは、新しい問題を自動で定義し、手法と設計実験を提案し、繰り返し修正する。 我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-11T13:36:29Z)
• Mapping the Increasing Use of LLMs in Scientific Papers [99.67983375899719]
  2020年1月から2024年2月にかけて、arXiv、bioRxiv、Natureのポートフォリオジャーナルで950,965の論文をまとめて、体系的で大規模な分析を行った。 計算機科学の論文では, LLMの使用が着実に増加し, 最大, 最速の成長が観察された。
  論文  参考訳（メタデータ） (2024-04-01T17:45:15Z)
• Monitoring AI-Modified Content at Scale: A Case Study on the Impact of ChatGPT on AI Conference Peer Reviews [51.453135368388686]
  本稿では,大規模言語モデル (LLM) によって実質的に修正あるいは生成される可能性のある大規模コーパスにおけるテキストの分数推定手法を提案する。 我々の最大可能性モデルは、専門家による参照テキストとAIによる参照テキストを利用して、コーパスレベルでの実世界のLLM使用を正確かつ効率的に検証する。
  論文  参考訳（メタデータ） (2024-03-11T21:51:39Z)

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。