論文の概要: Stable Menus of Public Goods: AI-Enabled Progress

• arxiv url: http://arxiv.org/abs/2606.16989v1
• Date: Mon, 15 Jun 2026 17:28:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.102063
• Title: Stable Menus of Public Goods: AI-Enabled Progress
• Title（参考訳）: 公共財の安定メヌス:AIが実現可能な進歩
• Authors: Sara Fish,
• Abstract要約: テストベッドとして,EC 2025 論文 "Stable Menus of Public Goods" のオープンな問題を用いて,異なるAI-for-EconCS 研究の有効性を理解する実験を行った。
• 参考スコア（独自算出の注目度）: 0.11772971872056447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using an open problem from the EC 2025 paper "Stable Menus of Public Goods" as a testbed, we conduct experiments to understand the effectiveness of different AI-for-EconCS research workflows. Specifically, we study three questions: Does providing human intuition in the prompt help? Does automated multi-turn interaction help? And, does an LLM outperform a first-year PhD student? Regarding the first two questions, we provide evidence for the following workflow suggestions: (1) prompting with human intuition can encourage the LLM to have better "taste", (2) multi-turn workflows help when the pipeline encourages "ambitious" steps. Regarding the third question, using an unpublished manuscript written by the paper's senior authors prior to collaborating with the first-year PhD student, we compare the effectiveness of the LLM with that of the first-year PhD student, and find that the LLM is slightly less effective.
• Abstract（参考訳）: テストベッドとして,EC 2025 論文 "Stable Menus of Public Goods" のオープンな問題を用いて,さまざまなAI-for-EconCS 研究ワークフローの有効性を理解する実験を行った。 具体的には,3つの質問について調査する。 自動マルチターンインタラクションは有効か? LLMは1年生のPhD学生より優れていますか? 最初の2つの質問について、(1)人間の直感を刺激することで、LSMがより良い「味」を持つように促すことができる、(2)パイプラインが「あいまいな」ステップを奨励するのに役立つマルチターンワークフロー。 第3の質問では,本論文の著者が1年生のPhD学生と共同研究する前に書いた未発表の原稿を用いて,LLMの有効性と1年生のPhD学生の有効性を比較し,LLMがわずかに効果が低いことを確認する。

関連論文リスト

• Writing literature reviews with AI: principles, hurdles and some lessons learned [0.15554979526414522]
  私たちは、さまざまなレベルのAIアシストで作成された文献レビューを比較します。 6つのバージョンを比較すると、一連の落とし穴が示され、文献をレビューするためにAIアシストを使用する際に必要となる注意点が示唆されている。 全体として、AIはレビューの幅と品質を改善することができるが、時間の増加は期待するほど大きくはない。
  論文  参考訳（メタデータ） (2026-03-08T18:02:09Z)
• Let's Use ChatGPT To Write Our Paper! Benchmarking LLMs To Write the Introduction of a Research Paper [64.50822834679101]
  SciIGは、タイトル、抽象、および関連する作品からコヒーレントな紹介を生成するLLMの能力を評価するタスクである。 オープンソース (DeepSeek-v3, Gemma-3-12B, LLaMA 4-Maverick, MistralAI Small 3.1) およびクローズドソース GPT-4o システムを含む5つの最先端モデルを評価する。 結果は、特に意味的類似性と忠実性において、ほとんどのメトリクスにおいて、LLaMA-4 Maverickの優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-08-19T21:11:11Z)
• Prompting Science Report 1: Prompt Engineering is Complicated and Contingent [0.0]
  これは、ビジネス、教育、政策リーダーがAIを扱う技術的詳細を理解するのを助けるための一連の短いレポートの最初のものだ。 LLM(Large Language Model)がベンチマークをパスするかどうかを測定するための標準は存在しない。 特定のプロンプトアプローチが LLM の特定の質問に答えられるかどうかを事前に知るのは難しい。
  論文  参考訳（メタデータ） (2025-03-04T21:09:12Z)
• Understanding the Dark Side of LLMs' Intrinsic Self-Correction [58.12627172032851]
  LLMの応答を改善するために,本質的な自己補正法が提案された。 近年の研究では、LLMの内在的な自己補正は、フィードバックのプロンプトとして、オラクルラベルなしで失敗することが示されている。 内在的な自己補正は、中途半端な回答と最終回答の両方を LLM が揺らぎ、単純な事実的質問に対する素早い偏見をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-12-19T15:39:31Z)
• LLMs Assist NLP Researchers: Critique Paper (Meta-)Reviewing [106.45895712717612]
  大規模言語モデル(LLM)は、様々な生成タスクにおいて顕著な汎用性を示している。 本研究は,NLP研究者を支援するLLMの話題に焦点を当てる。 私たちの知る限りでは、このような包括的な分析を提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2024-06-24T01:30:22Z)

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。