論文の概要: Digital Fragmentation and Generative AI Use Across 103 Million Application Events
- arxiv url: http://arxiv.org/abs/2607.06681v1
- Date: Tue, 07 Jul 2026 18:01:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.189812
- Title: Digital Fragmentation and Generative AI Use Across 103 Million Application Events
- Title（参考訳）: デジタルフラグメンテーションと生成AIが1億3300万件のアプリケーションイベントを使用
- Abstract要約: 8つの組織で1017人の従業員から2秒間に記録された1億3300万のアプリケーションイベントを分析した。
個々の従業員の断片化の日々の変化は、デジタル断片化の44.6%を占めていた。
これらの結果は、作業日をデジタル断片化を理解し、介入するための重要なレベルとして認識し、AIが断片化された作業を単に強化するのではなく、構造化するのに役立つことを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Knowledge workers switch between applications thousands of times per day, spending nearly a tenth of the work year transitioning between digital applications in a process called digital fragmentation. Whether this fragmentation reflects who an employee is, where they work, or what kind of day they are having, has remained an open question. We analyzed 103 million application events recorded second-by-second from 1,017 employees across eight organizations that largely employ knowledge workers (e.g., law, financial services). Day-to-day variation in fragmentation within individual employees accounted for 44.6% of the variation in digital fragmentation, slightly exceeding stable individual differences between employees (35.8%), and far exceeding variation between organizations (19.6%). Fragmentation rose over the work week and reset after weekends and holidays. Higher-than-typical use of communication applications coincided with more fragmented work. Generative AI use also occurred on more fragmented days, but the period following AI use was marked by narrower, longer, and more predictable application use. These findings identify the workday as a key level for understanding and intervening on digital fragmentation and suggest that AI may help structure fragmented work rather than merely intensify it.
- Abstract（参考訳）: 知識労働者は1日に何千回もアプリケーション間を切り替え、デジタルフラグメンテーションと呼ばれるプロセスでデジタルアプリケーション間を移行する作業の10分の1近くを費やします。
この断片化は、従業員が誰なのか、どこで働いているのか、どんな日を過ごしているのかを反映しています。
主にナレッジワーカー(法律、金融サービスなど)を雇用している8つの組織の1,017人の従業員から、毎秒103万件のアプリケーションイベントを分析した。
個々の従業員の断片化の日々の変化は、デジタル断片化の変動の44.6%を占め、従業員間の安定した個人差(35.8%)をわずかに上回り、組織間のばらつき(19.6%)をはるかに上回っている。
週末や休日の後、作業週にフラグメンテーションが上昇し、リセットされた。
コミュニケーションアプリケーションの一般的な使い方は、より断片化された作業と一致した。
生成AIの使用も、より断片化された日に行われたが、AI使用後の期間は、より狭く、より長く、より予測可能なアプリケーションの使用によって特徴づけられた。
これらの結果は、作業日をデジタル断片化を理解し、介入するための重要なレベルとして認識し、AIが断片化された作業を単に強化するのではなく、構造化するのに役立つことを示唆している。
関連論文リスト
- Efficient Test-Time Adaptation through Human-AI Interaction [112.5131603022122]
我々は,ヒト-エージェント間相互作用(TAHI)によるテスト時間適応を提案する。
エージェントを2つの高ユーティリティドメイン(書き込みと視覚的創造)の30人に適応させ、合計600のタスクをこなします。
エージェントは10タスク以内の単独作業の成功率を4.5-20.9%向上させる。
論文 参考訳（メタデータ） (2026-09-03T17:33:18Z) - OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents [52.15259607762389]
自律型エージェントのための長距離ハーネスであるOneDayAgentを紹介する。
OneDayAgentはオープンなリクエストをマネージドな実行プロセスに変換する。
我々は104のタスクでAgentIF-OneDay上でOneDayAgentを評価する。
論文 参考訳（メタデータ） (2026-08-04T17:55:41Z) - How AI Agents Reshape Knowledge Work: Autonomy, Efficiency, and Scope [0.7466390172678969]
我々は、AIエージェントが知識の働きを加速し、作り直す方法を研究する。
コンピュータはユーザセッション毎に26分間の自律的な作業を実行しますが、検索には33秒かかります。
自律的な優位性のため、コンピュータは完了時間をマッチしたタスクで269分から36分に短縮する。
論文 参考訳（メタデータ） (2026-06-05T17:45:39Z) - Who Uses AI? Platform Selection and the Measurement of Occupational AI Exposure [0.0]
プラットフォームからの露出スコアは,タスクレベルのAI適用性と,プラットフォーム利用者の作業構成とを組み合わせていることを示す。
我々は、結果の非古典的測定誤差を形式化し、それらを中間および内占有の選択に分解し、労働力重み付き部分識別境界を構築する。
論文 参考訳（メタデータ） (2026-05-20T21:11:48Z) - Diffusion Forcing for Multi-Agent Interaction Sequence Modeling [52.769202433667125]
MAGNetはマルチエージェントモーション生成のための統合された自己回帰拡散フレームワークである。
フレキシブルな条件付けとサンプリングを通じて、幅広いインタラクションタスクをサポートする。
緊密に同期された活動と、ゆるやかに構造化された社会的相互作用の両方をキャプチャする。
論文 参考訳（メタデータ） (2025-12-19T18:59:02Z) - How Do AI Agents Do Human Work? Comparing AI and Human Workflows Across Diverse Occupations [112.57167042285437]
エージェントが人間とエージェントの労働者の直接比較を初めて提示することで、エージェントがどのように人間の仕事をするかを考察する。
結果が88.3%速く、コストが90.4-96.2%低いことが判明した。
論文 参考訳（メタデータ） (2025-10-26T18:10:22Z) - Shifting Work Patterns with Generative AI [2.2686659871784043]
本稿では,生産型AIが知識労働者の作業パターンをどのように変えるかを示す。
研究に参加した7,137人の従業員の半分は、電子メール、文書作成、会議にすでに使用しているアプリケーションに統合された生成AIツールにアクセスした。
論文 参考訳（メタデータ） (2025-04-15T17:52:00Z) - Making Data: The Work Behind Artificial Intelligence [0.0]
本稿では,ブラジルにおけるマイクロワークの実態を報告し,労働者の肖像画を提供する。
これは、現状の不安定化を克服するための、より広範な努力の一歩である。
論文 参考訳（メタデータ） (2024-09-23T08:12:24Z) - Scalable Federated Unlearning via Isolated and Coded Sharding [76.12847512410767]
フェデレートされたアンラーニングは、クライアントレベルのデータエフェクトを削除するための有望なパラダイムとして登場した。
本稿では,分散シャーディングと符号化コンピューティングに基づく,スケーラブルなフェデレーション・アンラーニング・フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-29T08:41:45Z) - DIR-AS: Decoupling Individual Identification and Temporal Reasoning for
Action Segmentation [84.78383981697377]
完全な教師付きアクションセグメンテーションは、高密度アノテーションによるフレームワイドアクション認識に作用し、しばしば過剰なセグメンテーションの問題に悩まされる。
本研究では, 時間的ピラミッド拡張と時間的ピラミッドプールを併用して, 効率的なマルチスケールアテンションを実現するため, 新たなローカル・グローバルアテンション機構を開発した。
GTEAでは82.8%(+2.6%)、Breakfastでは74.7%(+1.2%)の精度を実現し,本手法の有効性を示した。
論文 参考訳（メタデータ） (2023-04-04T20:27:18Z) - K-nearest Multi-agent Deep Reinforcement Learning for Collaborative
Tasks with a Variable Number of Agents [13.110291070230815]
エージェント数の変化を考慮した多エージェント協調作業のための深層強化学習アルゴリズムを提案する。
実運用現場で現実的なシナリオを生成するために日立が開発した艦隊管理シミュレータを用いて,本アルゴリズムの適用例を示した。
論文 参考訳（メタデータ） (2022-01-18T16:14:24Z) - Action Segmentation with Joint Self-Supervised Temporal Domain
Adaptation [54.81021693364532]
我々は,アクションセグメンテーションのバリエーションの問題に対処するために,ラベルのないビデオを利用する。
本稿では,2つの自己監督型補助タスクを含む自己監督型時間領域適応(SSTDA)を提案する。
3つの挑戦的なデータセットにおいて、SSTDAは最先端の手法よりも大きなマージンで優れている。
論文 参考訳（メタデータ） (2020-03-05T18:52:33Z)
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。