論文の概要: Searching for Synergy in Shared Workspace Human-AI Collaboration

• arxiv url: http://arxiv.org/abs/2606.18413v2
• Date: Thu, 18 Jun 2026 02:11:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 13:55:51.799067
• Title: Searching for Synergy in Shared Workspace Human-AI Collaboration
• Title（参考訳）: 共有ワークスペースにおける相乗効果の探索
• Abstract要約: 我々は、AIエージェントと人間の協力者が最終回答を提出する前に責任を調整しなければならない、共有ワークスペースの人間-AIチームについて研究する。 シミュレーションされた人間協調体を追加すると、性能が向上し、プロセス損失が追加の協調体を調整オーバーヘッドに変える。 次に、共有グループメモリとシミュレーションされたHuman-in-the-loop(HITL)ゲートを組み合わせた足場の評価を行った。
• 参考スコア（独自算出の注目度）: 1.4923836729114697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated AI agents are increasingly capable, yet many scientific and professional tasks require human judgment and contextual expertise. We study shared-workspace human-AI teams, where AI agents and human collaborators must coordinate responsibilities before submitting a final answer. Using the Collaborative Gym environment with DiscoveryBench tasks, we examine when adding simulated human collaborators improves performance and when process loss turns additional collaborators into coordination overhead. Across 1,482 sessions, adding relevant collaborators can lower performance when teams lack structure to coordinate their contributions. We then evaluate scaffolding that combines shared group memory with simulated human-in-the-loop (HITL) gates, where selected actions require approval from a designated simulated participant. This scaffolding yields higher mean performance, most clearly in three-person teams, with clearer responsibility signals and stronger routing of expertise to team actions. Overall, how human-AI teams coordinate and integrate expertise matters as much as the capability available to them.
• Abstract（参考訳）: 自動化されたAIエージェントはますます有能になるが、科学的、専門的なタスクの多くは人間の判断と文脈の専門知識を必要とする。 我々は、AIエージェントと人間の協力者が最終回答を提出する前に責任を調整しなければならない、共有ワークスペースの人間-AIチームについて研究する。 本研究では,DecoveryBench タスクを用いた協調 Gym 環境を用いて,シミュレーションによる協調作業の高速化と,プロセス損失が協調作業のオーバヘッドに余分な協調作業を行う場合について検討する。 1,482回のセッションを通じて、関連する協力者を追加することで、チームがコントリビューションを調整する構造が欠如している場合、パフォーマンスが低下する可能性がある。 次に、共有グループメモリとシミュレーションされたHuman-in-the-loop(HITL)ゲートを組み合わせた足場の評価を行った。 この足場によって平均的なパフォーマンスが向上し、最も明白なのは3人のチームです。 全体として、人間-AIチームが専門知識を調整し、統合する方法は、彼らが利用できる能力と同じくらい重要です。

関連論文リスト

• CollabSim: A CSCW-Grounded Methodology for Investigating Collaborative Competence of LLM Agents through Controlled Multi-Agent Experiments [32.043112677406064]
  CollabSimは、理論に基づく協調能力の定義、相互作用条件の制御、エージェントの内部状態のアクションレベル探索を組み合わせたシミュレーションフレームワークである。 CollabSimは条件効果をキャプチャし、モデルパフォーマンスパターンを分離し、エージェント設計のタスク依存効果を明らかにする。
  論文  参考訳（メタデータ） (2026-06-04T17:06:22Z)
• Humans' ALMANAC: A Human Collaboration Dataset of Action-Level Mental Model Annotations for Agent Collaboration [54.18136393879849]
  本稿ではエージェント協調のための行動レベル精神モデルAnnotationsのデータセットであるALMANACについて述べる。 ALMANACには2,987の協調アクションがあり、それぞれに理論インフォームドのメンタルモデルアノテーションが組み合わされている。 本研究は、ALMANACが人間の協調動作をシミュレートするモデルの能力を評価する上で有用であることを示す。
  論文  参考訳（メタデータ） (2026-06-04T16:56:12Z)
• Beyond Partner Diversity: An Influence-Based Team Steering Framework for Zero-Shot Human-Machine Teaming [1.6672631924542791]
  インフルエンスベースのチームステアリングは、インフルエンスシェーピングを使用してエージェントにインセンティブを与え、多様なハイパフォーマンスなチームインタラクションパターンを見つけるフレームワークである。 IBTSは2エージェントと3エージェントの両方でOvercooked-AI上で評価し、学習された協調構造がダイアド相互作用を超えて移動するかどうかを検証した。 我々の評価には、シミュレートされたパートナー、合成パートナースタイルのバリエーション、そして私たちの知る限り、2人の真の人間チームメイトと1人のマシンチームメイトを含む30件のOvercooked-AI HMT研究が含まれている。
  論文  参考訳（メタデータ） (2026-05-14T20:34:16Z)
• CollabSkill: Evaluating Human-Agent Collaboration On Real-World Tasks [55.84031315625504]
  CollabSkillは、現実世界の作業タスクにおける人間とエージェントのコラボレーションを評価するためのフレームワークである。 実際の人間の労働者とAIエージェントを、仕事の背景にマッチしたタスクでペアリングする。 分析の結果,実践的な経験がコラボレーションスキルの原動力として現れることが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-20T03:03:25Z)
• TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
  物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。 我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
  論文  参考訳（メタデータ） (2026-03-09T05:52:13Z)
• Collaborative Gym: A Framework for Enabling and Evaluating Human-Agent Collaboration [50.657070334404835]
  Collaborative Gymは、エージェント、人間、タスク環境間の非同期で三分割的なインタラクションを可能にするフレームワークである。 シミュレーション条件と実環境条件の両方において,Co-Gymを3つの代表的なタスクでインスタンス化する。 その結果、協調作業員はタスクパフォーマンスにおいて、完全に自律的なエージェントよりも一貫して優れていたことが判明した。
  論文  参考訳（メタデータ） (2024-12-20T09:21:15Z)
• MindAgent: Emergent Gaming Interaction [103.73707345211892]
  大規模言語モデル(LLM)は、マルチエージェントシステムで複雑なスケジューリングを行う能力を持つ。 我々はMindAgentを提案し,ゲームインタラクションにおける創発的能力の評価・調整を行う。
  論文  参考訳（メタデータ） (2023-09-18T17:52:22Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Detecting and Optimising Team Interactions in Software Development [58.720142291102135]
  本稿では,ソフトウェア開発チームの機能的相互作用構造を検出するためのデータ駆動型手法を提案する。 このアプローチでは、チームメンバのアクティビティレベルの違いを考慮し、ブロック制約設定モデルを使用します。 我々のアプローチは、チームが合成されたベンチマークシナリオと機能的な相互作用構造を比較するのにどのように役立つかを示します。
  論文  参考訳（メタデータ） (2023-02-28T14:53:29Z)

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。