論文の概要: AI Receptivity or AI Adoption Breadth? A Tool-Specific Reanalysis of the Lower-Literacy/Higher-Usage Link

• arxiv url: http://arxiv.org/abs/2606.13734v1
• Date: Thu, 11 Jun 2026 12:02:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.530952
• Title: AI Receptivity or AI Adoption Breadth? A Tool-Specific Reanalysis of the Lower-Literacy/Higher-Usage Link
• Title（参考訳）: AIレセプティビティ(Receptivity)あるいはAI導入の可否? ローワーリテラシー/ハイアーユースリンクのツール別再分析
• Authors: Hristo Inouzhe,
• Abstract要約: 最近の証拠は、低い人工知能(AI)リテラシーがAIに対する高い受容性を予測することを示唆している。 我々は、この主張を再考し、5つのAIツールカテゴリを5ポイントの周波数スケールで過去の使用量を計測している。 まず、参加者レベルの平均値、バイナリロジット、順序ロジット、マルチノミアルロジット仕様に基づいて、OLSを用いたAIリテラシーと集約AI使用量の負の関係を再現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent evidence reported by Tully, Longoni, and Appel (2025) suggests that lower artificial intelligence (AI) literacy predicts greater receptivity toward AI. We revisit this claim using the public data from Study 3 of that article, which measures past usage of five AI tool categories on a five-point frequency scale. We first reproduce the negative association between AI literacy and aggregate AI usage using OLS on participant-level averages, binary logit, ordered logit, and multinomial logit specifications. We then show that the aggregate relationship masks substantial heterogeneity by tool type. In our demographic-adjusted primary specification, AI literacy does not significantly predict text AI usage (ordered-logit $β$ = -0.090, p = .387), whereas it remains a strong predictor of non-text AI adoption ($β$ = -0.377, p < .001). The non-text effect is also robust under Tully et al.'s original Study 3 control specification ($β$ = -0.502, p < .001). Binary, ordered-logit, and multinomial specifications suggest that the non-text relationship is primarily an adoption/non-adoption pattern rather than evidence of intensive use: the demographic-adjusted odds ratio of ever having used a non-text AI tool is 0.68. Thus, in the study that measures self-reported past usage rather than stated preferences, the evidence does not support a simple claim that lower AI literacy predicts greater receptivity to AI in general. It points instead to a narrower pattern of broader adoption across lower-penetration, non-text AI tools.
• Abstract（参考訳）: Tully, Longoni, and Appel (2025) が最近報告した証拠は、人工知能(AI)の識字率の低下がAIに対する受容力を高めることを示唆している。 我々は、この主張を再考し、5つのAIツールカテゴリを5ポイントの周波数スケールで過去の使用量を計測している。 まず、参加者レベルの平均値、バイナリロジット、順序ロジット、マルチノミアルロジット仕様に基づいて、OLSを用いたAIリテラシーと集約AI使用量の負の関係を再現する。 次に,アグリゲーション・リレーション・マスクはツール・タイプによってかなり不均一性を示すことを示す。 当社の統計調整プライマリ仕様では、AIリテラシーはテキストAIの使用率を著しく予測していない(ordered-logit $β$ = -0.090, p = .387)が、非テキストAIの採用率(β$ = -0.377, p < .001)の強い予測要因である。 非テキスト効果は、Tully et al のオリジナルの Study 3 コントロール仕様 (β$ = -0.502, p < .001) の下でも堅牢である。 バイナリ、順序ロジット、マルチノミカル仕様は、非テキスト関係が主に、集中的な使用の証拠ではなく、採用/非適応パターンであることを示唆している。 このように、記載された嗜好ではなく、自己申告された過去の使用量を測定する研究において、この証拠は、AIの識字率が一般にAIに対する受容力を高めるという単純な主張を支持していない。 代わりに、低ペネレーションで非テキストのAIツールにまたがる、より広範な採用のパターンを指摘する。

関連論文リスト

• Hallucination vs interpretation: rethinking accuracy and precision in AI-assisted data extraction for knowledge synthesis [0.9898534984111934]
  我々は,大規模言語モデル(LLM)を用いてデータ抽出を自動化する抽出プラットフォームを開発した。 我々は、AIを187の出版物で人間の反応と比較し、スコーピングレビューから17の質問を抽出した。 AIの多様性は幻覚よりも解釈可能性に依存している。
  論文  参考訳（メタデータ） (2025-08-13T03:33:30Z)
• Assessing GPTZero's Accuracy in Identifying AI vs. Human-Written Essays [0.0]
  GPTZeroは最も使われているAI検出器だが、人間によるテキストの識別の信頼性は限られている。 AIが生成した論文の大半が正確に検出され(91-100%のAIが信じていた世代)、一方で人間が生成したエッセイは変動した。 これらの結果は、GPTZeroは純粋にAI生成されたコンテンツを検出するのに有効であるが、人間によるテキストの識別の信頼性は限られていることを示唆している。
  論文  参考訳（メタデータ） (2025-06-30T04:53:27Z)
• Almost AI, Almost Human: The Challenge of Detecting AI-Polished Writing [55.2480439325792]
  本研究では、AI-Polished-Text Evaluationデータセットを用いて、12の最先端AIテキスト検出器を体系的に評価する。 我々の発見によると、検出器は、最小限に洗練されたテキストをAI生成としてフラグ付けし、AIの関与度を区別し、古いモデルや小さなモデルに対するバイアスを示す。
  論文  参考訳（メタデータ） (2025-02-21T18:45:37Z)
• Group-Adaptive Threshold Optimization for Robust AI-Generated Text Detection [58.419940585826744]
  本稿では,確率的AIテキスト検出のためのグループ固有しきい値最適化アルゴリズムであるFairOPTを紹介する。 属性(例えば、テキストの長さと書き込みスタイル)に基づいてデータをサブグループに分割し、FairOPTを実装して、各グループに対する決定しきい値の学習を行い、不一致を低減しました。 我々のフレームワークは、後処理によるAI生成コンテンツ検出において、より堅牢な分類の道を開く。
  論文  参考訳（メタデータ） (2025-02-06T21:58:48Z)

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。