論文の概要: A Practice Auditing Framework for Large Language Model Use: Collective Empiricism, Pseudo-Rational Cognition, and Governance of AI-Generated Content

• arxiv url: http://arxiv.org/abs/2607.01248v1
• Date: Tue, 02 Jun 2026 00:46:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-05 17:01:29.634969
• Title: A Practice Auditing Framework for Large Language Model Use: Collective Empiricism, Pseudo-Rational Cognition, and Governance of AI-Generated Content
• Title（参考訳）: 大規模言語モデル活用のための実践的監査フレームワーク:集合経験主義、擬似言語認知、AI生成コンテンツのガバナンス
• Authors: Yang Zhao, Yingshuo Li, Zeyu Zhang,
• Abstract要約: 本稿では,LLM利用とAI生成コンテンツガバナンスのための実践監査フレームワークを提案する。 本稿は,AIの主観的錯覚,入力材料における主観的構造,AI-AI会話におけるテンプレートループ,AIGC検出における統計的誤判断,生成したコンテンツが将来的なコンテキストに入る際のメモリ汚染を解析する。
• 参考スコア（独自算出の注目度）: 9.414394075880033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models are increasingly used for knowledge acquisition, code generation, academic writing, and agent-based automation. In these settings, users may obtain highly structured answers, plans, and judgments without sufficient domain practice. This paper proposes a practice auditing framework for LLM use and AI-generated content governance. It introduces collective empiricism to describe how LLMs compress and reorganize large-scale human experience into outputs that appear empirical and rational, and pseudo-rational cognition to describe how users may mistake AI-generated structured expression for their own rational understanding. The paper analyzes AI subjectivity illusion, subjectivity structures in input materials, template loops in AI-AI conversations, statistical misjudgment in AIGC detection, and memory pollution when generated content enters future contexts, long-term memory, retrieval spaces, or agent skill systems. To reduce these risks, the paper proposes an auditing process based on requirement definition, problem-boundary identification, evidence-source auditing, practical validation, reverse questioning, logging, version management, rollback, and renewed cognition. The framework does not reject AI productivity; it argues that LLM outputs should be returned to verifiable, reproducible, and intervenable processes of practice. The paper provides a conceptual and auditable framework for cognitive risks in LLM interaction, AI-generated content governance, long-term memory systems, and human-AI interaction.
• Abstract（参考訳）: 大規模な言語モデルは、知識獲得、コード生成、学術的な執筆、エージェントベースの自動化にますます使われています。 これらの設定では、十分なドメインプラクティスを伴わずに高度に構造化された回答、計画、判断を得ることができる。 本稿では,LLM利用とAI生成コンテンツガバナンスのための実践監査フレームワークを提案する。 LLMが大規模な人間の経験を、経験的かつ合理的に見えるアウトプットにどのように圧縮し、再編成するかを説明するための集合的経験主義を導入し、また、ユーザーがAIによって生成された構造化された表現を、自身の合理的な理解のためにどのように間違えるかを記述するための擬似合理的認知を導入した。 本稿は、AIの主観的錯覚、入力材料における主観的構造、AI-AI会話におけるテンプレートループ、AIGC検出における統計的誤判断、生成したコンテンツが将来の状況、長期記憶、検索空間、エージェントスキルシステムに入る際のメモリ汚染について分析する。 これらのリスクを軽減するために,要件定義,問題境界識別,エビデンスソース監査,実践的検証,リバース質問,ログ,バージョン管理,ロールバック,再認識に基づく監査プロセスを提案する。 このフレームワークはAIの生産性を否定するものではなく、LCMの出力は検証可能で再現可能で解釈可能な実践プロセスに戻されるべきである、と論じている。 本稿では,LLMインタラクション,AI生成コンテンツガバナンス,長期記憶システム,人間-AIインタラクションにおける認知リスクに関する概念的,監査可能なフレームワークを提供する。

関連論文リスト

• The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows [3.354543153949287]
  大規模言語モデル(LLM)は、人間と機械のコントリビューションの境界を曖昧にし、ユーザーはそれらを生成するプロセスではなく、出力からコンピテンスを推測する。 本稿では,その基盤となるメカニズムの概念的枠組みと,計算,言語,分析,創造的な領域にまたがる表現の類型化を提案する。
  論文  参考訳（メタデータ） (2026-04-16T09:30:28Z)
• Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
  信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である 本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
  論文  参考訳（メタデータ） (2026-03-05T18:42:51Z)
• Fundamentals of Building Autonomous LLM Agents [64.39018305018904]
  本稿では,大規模言語モデル(LLM)を用いたエージェントのアーキテクチャと実装手法について概説する。 この研究は、複雑なタスクを自動化し、人間の能力でパフォーマンスのギャップを埋めることのできる「アジェンティック」なLLMを開発するためのパターンを探求することを目的としている。
  論文  参考訳（メタデータ） (2025-10-10T10:32:39Z)
• CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
  我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。 また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
  論文  参考訳（メタデータ） (2025-08-28T06:03:11Z)
• The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
  AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。 我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
  論文  参考訳（メタデータ） (2025-06-09T18:37:14Z)
• Can We Trust AI Agents? A Case Study of an LLM-Based Multi-Agent System for Ethical AI [10.084913433923566]
  AIベースのシステムは、多様なタスクをサポートすることによって数百万に影響を及ぼすが、誤情報、偏見、誤用といった問題に直面している。 本研究では,Large Language Models (LLM) を用いたAI倫理の実践について検討する。 エージェントがAIインシデントデータベースから現実のAI倫理問題に関する構造化された議論を行うプロトタイプを設計する。
  論文  参考訳（メタデータ） (2024-10-25T20:17:59Z)
• Towards a Responsible AI Metrics Catalogue: A Collection of Metrics for AI Accountability [28.67753149592534]
  本研究は,包括的メトリクスカタログへの取り組みを導入することで,説明責任のギャップを埋めるものである。 我々のカタログは、手続き的整合性を支えるプロセスメトリクス、必要なツールやフレームワークを提供するリソースメトリクス、AIシステムのアウトプットを反映する製品メトリクスを記述しています。
  論文  参考訳（メタデータ） (2023-11-22T04:43:16Z)

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。