論文の概要: "So There's a Catch-22 Here": How Early Adopters Who Build Multi-Agent LLM Systems Conceptualize Transparency

• arxiv url: http://arxiv.org/abs/2606.08323v1
• Date: Sat, 06 Jun 2026 20:24:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.041106
• Title: "So There's a Catch-22 Here": How Early Adopters Who Build Multi-Agent LLM Systems Conceptualize Transparency
• Title（参考訳）: マルチエージェントLLMシステムを構築するアーリーアダプターがいかに透明性を概念化するか
• Authors: Suchismita Naik, Samir Passi, Mihaela Vorvoreanu, Scott Saponas, Amanda Hall,
• Abstract要約: マルチエージェントの大規模言語モデル(LLM)システムは急速に普及しているが、責任を持つAIの基盤である透明性は未定義のままである。 構築者とユーザの両方であるマルチエージェントLLMシステムのアーリーアダプターが、透明性を理解し、実践する方法について、最初の実証的研究の1つを提示する。
• 参考スコア（独自算出の注目度）: 5.010350363683265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent large language model (LLM) systems are rapidly emerging, yet transparency, a cornerstone of responsible AI, remains under-defined in these distributed architectures, which have complexities of inter-agent coordination and orchestration. In this paper, we present one of the first empirical study of how early adopters of multi-agent LLM systems, who are both the builders and users, understand and practice transparency. We conducted semi-structured interviews with 13 early adopters in [Large Technology Organization] and applied thematic analysis to identify recurring patterns. Participants articulated divergent yet complementary framings of transparency, including reproducibility, debugging, boundary-setting, visualization, and auditing. These perspectives spanned questions of what transparency entails, why it matters, and how it is achieved. We synthesize these into a multidimensional framework, which is developer, user, and governance-focused positioning transparency as a situated socio-technical practice that informs future HCI and AI design and research around aligning expectations and capacities of their intended audiences.
• Abstract（参考訳）: マルチエージェントの大規模言語モデル(LLM)システムは急速に普及しているが、責任あるAIの基盤である透明性は、エージェント間の調整とオーケストレーションの複雑さを持つ分散アーキテクチャにおいて未定義のままである。 本稿では,構築者とユーザの両方であるマルチエージェントLLMシステムの早期導入者が透明性を理解し,実践した経験的事例の1つを提示する。 大規模技術組織(Large Technology Organization)のアーリーアダプター13名を対象に半構造化インタビューを行い,テーマ分析を適用して繰り返しパターンを同定した。 参加者は再現性、デバッグ、境界設定、可視化、監査など、透明性の相補的な枠組みを明確化した。 これらの視点は、透明性にどんな意味があるのか、なぜ重要なのか、どのように達成されるのかという疑問にまたがっている。 我々はこれらを多次元のフレームワークに合成する。これは、開発者、ユーザ、ガバナンスに焦点を当てた位置決め透明性を、将来のHCIおよびAI設計と研究に、彼らの意図する聴衆の期待と能力の整合を知らせる定位社会技術的プラクティスとして提供するものである。

関連論文リスト

• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
  大規模言語モデルに基づくマルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。 我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
  論文  参考訳（メタデータ） (2025-05-28T15:20:09Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• Agent-Centric Projection of Prompting Techniques and Implications for Synthetic Training Data for Large Language Models [0.8879149917735942]
  本稿では,Large Language Models(LLMs)における線形コンテキスト(連続的な相互作用の連続配列)と非線形コンテキスト(分岐やマルチパス)の概念を紹介し,解説する。 これらの概念は、プロンプト戦略とマルチエージェントシステムとの深い関係を明らかにするフレームワークであるプロンプトテクニックのエージェント中心のプロジェクションの開発を可能にする。
  論文  参考訳（メタデータ） (2025-01-14T03:26:43Z)
• Explainable and Interpretable Multimodal Large Language Models: A Comprehensive Survey [46.617998833238126]
  大規模言語モデル(LLM)とコンピュータビジョン(CV)システムは、自然言語理解と視覚処理の進歩を促進する。 これらの技術の収束がマルチモーダルAIの台頭を触媒し、テキスト、ビジョン、オーディオ、ビデオモダリティにまたがるよりリッチでクロスモーダルな理解を可能にした。 マルチモーダル大規模言語モデル(MLLM)は、画像テキスト生成、視覚的質問応答、相互モーダル検索といったタスクにおいて印象的な機能を示す強力なフレームワークとして登場した。 これらの進歩にもかかわらず、MLLMの複雑さと規模は解釈可能性と説明可能性において大きな課題をもたらし、確立に不可欠である。
  論文  参考訳（メタデータ） (2024-12-03T02:54:31Z)
• Through the Looking-Glass: Transparency Implications and Challenges in Enterprise AI Knowledge Systems [3.9143193313607085]
  本稿では,AI知識システムにおける透明性要件と影響のリフレクティブ分析について述べる。 私たちは透明性を、さまざまな見方を形作る上で重要な仲介者として定式化しています。 我々は,AI知識システムの価値を実現するために必要な3つの透明性次元を同定する。
  論文  参考訳（メタデータ） (2024-01-17T18:47:30Z)
• Path To Gain Functional Transparency In Artificial Intelligence With Meaningful Explainability [0.0]
  AIシステムがますます高度化するにつれて、透明性と説明可能性の確保が重要になる。 透明なシステムにおけるユーザ中心のコンプライアンス・バイ・デザイン透過性の設計を提案する。 AIシステムにおける透明性に関連する課題を包括的に理解することで、説明責任、信頼性、社会的価値に整合したAIシステムの開発を促進することを目指している。
  論文  参考訳（メタデータ） (2023-10-13T04:25:30Z)

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。