論文の概要: LLMography: Transforming Human-AI Conversations into Traceability, Oversight, and Auditability Indicators

• arxiv url: http://arxiv.org/abs/2606.29437v1
• Date: Sun, 28 Jun 2026 14:54:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.912673
• Title: LLMography: Transforming Human-AI Conversations into Traceability, Oversight, and Auditability Indicators
• Title（参考訳）: LLMography:人間のAI会話をトレーサビリティ、監視、聴覚指標に変換する
• Authors: Mohammed Bousmah,
• Abstract要約: 本稿では,人間とAIの会話を,証明,人的貢献,AI依存,監査可能性といった測定可能な指標に変換するための枠組みを紹介する。 本稿では,Human-AI の会話トレースを分析し,Human-AI の共同制作報告やレコメンデーション LLM ラベルなどのレポートを生成するプロトタイプを提案する。 ほとんどのインタラクションはHuman-AIが共同生成し、平均スコアは人力方向86.8/100、プロンプト品質81.9/100、聴取性72.8/100、ファイナルアウトプットトレーサビリティ77.1/100と分類された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing use of Large Language Models (LLMs) in education, software engineering, academic writing, and technical documentation raises a key question: how can we evaluate not only AI-assisted outputs, but also the interaction process that produced them? Current debates often focus on detecting whether a final artifact was generated by AI, while overlooking the conversation history that reveals human direction, AI contribution, corrections, validation, and traceability. This paper introduces LLMography, a framework for transforming Human-AI conversations into measurable indicators of provenance, human contribution, AI dependency, reproducibility, and auditability. By analogy with bibliography and webography, LLMography documents the dynamic trajectory of interaction between a human and a Large Language Model as a structured trace of Human-AI co-production. We present a prototype that analyzes Human-AI conversation traces and generates KPI reports including Prompt Quality Score, Human Direction Score, AI Dependency Level, Auditability Score, Final Output Traceability, Privacy Risk Level, and a recommended LLMography label. A preliminary exploratory evaluation was conducted on 19 anonymized audit reports from engineering students. Most interactions were classified as Human-AI co-produced, with average scores of 86.8/100 for Human Direction, 81.9/100 for Prompt Quality, 72.8/100 for Auditability, and 77.1/100 for Final Output Traceability. The paper also applies LLMography to its own writing process, classified as human-originated, human-directed, AI-assisted co-production. The findings suggest that AI transparency should move beyond output detection toward documenting the history of interaction.
• Abstract（参考訳）: 教育、ソフトウェアエンジニアリング、学術文書、技術ドキュメントにおけるLarge Language Models(LLM)の利用の増加は、重要な疑問を提起している。 現在の議論は、人間の方向、AI貢献、修正、検証、トレーサビリティを明らかにする会話履歴を見下ろしながら、AIによって最終的なアーティファクトが生成されたかどうかを検出することに重点を置いていることが多い。 本稿では,人間とAIの会話を,証明,人的貢献,AI依存,再現性,監査性といった測定可能な指標に変換するためのフレームワークであるLLMographyを紹介する。 書誌学とウェブグラフィーの類似により、LLMographyは人間と大言語モデルの間の相互作用のダイナミックな軌跡を人間-AI共同制作の構造化された痕跡として記録している。 本稿では,人間のAI会話トレースを分析し,Pmpt Quality Score, Human Direction Score, AI Dependency Level, Auditability Score, Final Output Traceability, Privacy Risk Level,および推奨LLMography labelなどのKPIレポートを生成するプロトタイプを提案する。 工学生の匿名監査報告19件について予備調査を行った。 ほとんどのインタラクションはHuman-AIが共同生成し、平均スコアは人力方向86.8/100、プロンプト品質81.9/100、聴取性72.8/100、ファイナルアウトプットトレーサビリティ77.1/100と分類された。 この論文は、LLMographyを、人間指向、人間指向、AI支援のコプロダクションに分類される独自の記述プロセスに適用する。 この結果は、AI透明性が出力検出を超えて、インタラクションの歴史を文書化するべきであることを示唆している。

関連論文リスト

• AIssistant: An Agentic Approach for Human--AI Collaborative Scientific Work on Reviews and Perspectives in Machine Learning [2.464267718050055]
  ここでは、AIssistantを用いた最初の実験を、機械学習の研究論文の視点とレビューのために提示する。 本システムでは,文学,セクションワイド実験,引用管理,自動文書生成のためのモジュールツールとエージェントを統合している。 その効果にもかかわらず、幻覚的引用、動的紙構造への適応の困難、マルチモーダルコンテンツの不完全統合など、重要な制限を識別する。
  論文  参考訳（メタデータ） (2025-09-14T15:50:31Z)
• The next question after Turing's question: Introducing the Grow-AI test [51.56484100374058]
  本研究は,GROW-AIと呼ばれる人工知能評価の枠組みを拡張することを目的としている。 GROW-AIは、チューリングテストの自然な後継者である"Can Machine grow up? この作品の独創性は、人間の世界から人工知能への「成長」過程の概念的な変換にある。
  論文  参考訳（メタデータ） (2025-08-22T10:19:42Z)
• Reflection on Data Storytelling Tools in the Generative AI Era from the Human-AI Collaboration Perspective [54.152639172274]
  大規模生成AI技術は、ビジュアルおよびナレーション生成におけるそのパワーでデータストーリーテリングを強化する可能性がある。 我々は、最新のツールのコラボレーションパターンを、データストーリーテリングにおける人間とAIのコラボレーションを理解するための専用のフレームワークを使用して、以前のツールのパターンと比較する。 これらのAIテクニックのメリットと、人間とAIのコラボレーションへの影響も明らかにされている。
  論文  参考訳（メタデータ） (2025-03-04T13:56:18Z)
• Decoding AI and Human Authorship: Nuances Revealed Through NLP and Statistical Analysis [0.0]
  本研究では,AIが生成したテキストと人間が作成したテキストの微妙な相違について検討する。 本研究は,人文・AI生成テキストに固有の言語特性,創造性パターン,潜在的なバイアスについて検討した。
  論文  参考訳（メタデータ） (2024-07-15T18:09:03Z)
• Detecting AI-Generated Text: Factors Influencing Detectability with Current Methods [13.14749943120523]
  テキストが人工知能(AI)によって作成されたかどうかを知ることは、その信頼性を決定する上で重要である。 AIGT検出に対する最先端のアプローチには、透かし、統計学的およびスタイリスティック分析、機械学習分類などがある。 AIGTテキストがどのようなシナリオで「検出可能」であるかを判断するために、結合する健全な要因についての洞察を提供することを目指している。
  論文  参考訳（メタデータ） (2024-06-21T18:31:49Z)
• Detecting AI Generated Text Based on NLP and Machine Learning Approaches [0.0]
  自然言語処理の最近の進歩により、AIモデルは将来、人間が書いた書式と同一の書体を生成することができる。 これには深い倫理的、法的、社会的反感があるかもしれない。 本手法は,電子テキストと人文テキストを区別する機械学習手法を含む。
  論文  参考訳（メタデータ） (2024-04-15T16:37:44Z)
• Beyond Static Evaluation: A Dynamic Approach to Assessing AI Assistants' API Invocation Capabilities [48.922660354417204]
  人間の関与なしにアシスタントのAPIコール能力を評価するために,自動動的評価(Automated Dynamic Evaluation, AutoDE)を提案する。 この枠組みでは,人間と機械の相互作用において,真の人間の会話パターンを忠実に反映するように努力する。
  論文  参考訳（メタデータ） (2024-03-17T07:34:12Z)
• Can AI Serve as a Substitute for Human Subjects in Software Engineering Research? [24.39463126056733]
  本稿では,人工知能(AI)の能力を活用したソフトウェア工学研究における定性データ収集手法を提案する。 定性的データの代替源としてAI生成合成テキストの可能性を探る。 観察研究とユーザ評価における人間の行動のエミュレートを目的とした新しい基礎モデルの開発について論じる。
  論文  参考訳（メタデータ） (2023-11-18T14:05:52Z)
• The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies [97.5153823429076]
  この分野でのAIのメリット、課題、欠点についてレビューする。 データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
  論文  参考訳（メタデータ） (2022-12-08T23:23:39Z)
• Can Machines Imitate Humans? Integrative Turing-like tests for Language and Vision Demonstrate a Narrowing Gap [56.611702960809644]
  3つの言語タスクと3つの視覚タスクで人間を模倣するAIの能力をベンチマークする。 次に,人間1,916名,AI10名を対象に,72,191名のチューリング様試験を行った。 模倣能力は従来のAIパフォーマンス指標と最小限の相関を示した。
  論文  参考訳（メタデータ） (2022-11-23T16:16:52Z)

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。