論文の概要: The Context Access Divide: Interaction-Level Architecture as a Complementary Dimension of Agentic Inequality

• arxiv url: http://arxiv.org/abs/2607.08495v1
• Date: Thu, 09 Jul 2026 13:53:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.554204
• Title: The Context Access Divide: Interaction-Level Architecture as a Complementary Dimension of Agentic Inequality
• Title（参考訳）: コンテキスト・アクセス・ディバイド:エージェント不平等の相補的次元としてのインタラクション・レベル・アーキテクチャ
• Abstract要約: 名目上は同等のAIアクセスを持つ2人のユーザーは、質的に異なるAIユーティリティを経験することができる。 知的資本が数万のファイルにまたがる知識集約型労働者にとって、CAD(Context Access Divide)は、AIの有用性の質的なしきい値を構成する。 我々は、シャープなどのフレームワークを補完するが、再現できないAIによる不平等の次元として文脈性を提案する。
• 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: Sharp et al. (2025) introduce "agentic inequality" as a framework for analyzing disparities in access to AI agents across three dimensions: availability, quality, and quantity. These person- and organization-level dimensions characterize who can access agents and at what capability, but do not address a structurally important divide operating at a finer level: the individual interaction. Two users with nominally equivalent agent access may experience qualitatively different AI utility depending on whether the system can autonomously retrieve context from the user's knowledge corpus (Dynamic Context Retrieval) or requires the user to manually identify and attach relevant documents at each query (Manual Attachment). We term this the Context Access Divide (CAD). For knowledge-intensive workers whose intellectual capital spans tens of thousands of files, the CAD constitutes a qualitative threshold in AI usefulness: below it, the cognitive burden of context curation falls on the human, reproducing the inefficiencies AI is meant to eliminate. We propose contextuality -- the degree to which an AI system autonomously accesses a user's accumulated knowledge capital -- as a dimension of AI-mediated inequality that complements, but is not reducible to, the Sharp et al. framework. We formalize the CAD with a probabilistic model grounded in the fan effect literature in cognitive psychology, demonstrating that manual context attachment leads to a combinatorial collapse in task-success probability as corpus size and task conjunctivity grow, while dynamic retrieval architectures are structurally insulated from this collapse. We analyze the technical basis of this divide in the Model Context Protocol (MCP) and retrieval-augmented generation (RAG) architectures, and examine its implications for knowledge-work stratification and AI platform governance.
• Abstract（参考訳）: Sharp et al (2025)は、可用性、品質、量という3つの次元にわたるAIエージェントへのアクセスの格差を分析するためのフレームワークとして、"エージェントの不平等"を紹介している。 これらの個人レベルと組織レベルの次元は、誰がエージェントにアクセスでき、どんな能力を持つのかを特徴づけるが、個々の相互作用というより細かいレベルで運用される構造的に重要な分割には対処しない。 名目上同等のエージェントアクセスを持つ2人のユーザーは、システムがユーザーの知識コーパス(Dynamic Context Retrieval)からコンテキストを自律的に取得できるかどうか、または各クエリ(手動アタッチメント)で関連するドキュメントを手動で識別してアタッチする必要があるかによって、定性的に異なるAIユーティリティを経験することができる。 これを Context Access Divide (CAD) と呼ぶ。 知的な資本が数万のファイルにまたがる知識集約労働者にとって、CADはAIの有用性の質的なしきい値を構成している。 我々は、AIがユーザーの蓄積した知識資本に自律的にアクセスする程度である文脈性(contextuality)を、シャープなどのフレームワークを補完するが、再現できないAIによる不平等の次元として提案する。 認知心理学におけるファンエフェクト文献に基づく確率モデルを用いてCADを定式化し、この崩壊から動的検索アーキテクチャが構造的に絶縁され、コーパスサイズとタスク共役性が増大するにつれて、手動のコンテキストアタッチメントがタスク・サクセス確率の組合せ的崩壊をもたらすことを示す。 本稿では、モデルコンテキストプロトコル(MCP)と検索拡張世代(RAG)アーキテクチャにおけるこの分割の技術的基盤を分析し、知識-作業階層化とAIプラットフォームガバナンスにおけるその意味について検討する。

関連論文リスト

• When Does AI Augment Work? A Workflow-Level Framework for Human-Agent Collaboration [78.16115745870405]
  職場における人工知能の価値を特徴付けることを目的としている。 現在の研究は、この価値を、現在の自動化能力とAIの公的な採用の観点から大きく測定している。 これを考慮するためには、今日の微粒化タスクを超えて分析の範囲を広げなければならない。
  論文  参考訳（メタデータ） (2026-09-11T06:29:34Z)
• Using profiles of cognitive capability to assess AI suitability for workplace tasks [5.826026042207654]
  コア認知機能の共有セットを使用してエージェントとタスクをプロファイルするパイプラインを導入する。 どちらも共通の認知次元を使用するため、モデルや役割が変化するにつれて独立して更新することができる。 我々は,人工エージェントの能力回復,6つのAIシステムのプロファイル,および410人の従業員からのタスク要求の抽出を検証した。
  論文  参考訳（メタデータ） (2026-08-26T10:48:09Z)
• RAIL: An Automatic Classifier of the Artificial Intelligence Readiness Level [0.0]
  人工知能技術の成熟度を評価することは、投資決定、プロジェクト管理、政策監視に不可欠である。 利用可能な準備性フレームワークは異種であり、自動的に適用するのは難しい。 まず、これらの3つのフレームワークを、環境証拠のはしごの上に構築された9レベルのスケールである、統一AI準備レベル(AIRL)に統合する。 第2に,このスケールを運用するパネル・オブ・エキスパートの分類器であるRAILを提案する。
  論文  参考訳（メタデータ） (2026-08-13T16:17:41Z)
• Hierarchical Compositionality for An Assistive AI Agent [9.152759278163954]
  AIエージェントは、さまざまなアプリケーションで人間を支援するために、ますます開発されている。 これらの手法は印象的な予測器であるが、資源不足であり、不透明であり、新しい状況において任意の決定を下すことが知られている。 我々の研究は、AIの初期のパイオニアにさかのぼるコア原則に基づいて、そのようなAIエージェントのためのアーキテクチャの設計を探究することを目的としています。
  論文  参考訳（メタデータ） (2026-08-11T00:17:56Z)
• From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration [26.702635306128865]
  本稿では,人間生成AIコラボレーションを表現するオントロジー駆動型フレームワークを提案する。 その中核となるコンポーネントであるContextual Collaboration AI Ontologyは、コラボレーションの重要な要素を、共有機械解釈可能な語彙としてモデル化している。 我々は、要求分析、設計、実装、そしてテストの間で、このフレームワークがコラボレーションエピソードの表現とドキュメントをどのようにサポートするかを示す。
  論文  参考訳（メタデータ） (2026-05-28T09:35:59Z)
• Generative-AI and the transformation of workforce. A job postings-driven analysis [7.765662835417495]
  本稿では,AIが雇用要件,スキル構成,グローバル労働市場におけるセクターダイナミクスをいかに変えつつあるかを検討する。 職種投稿におけるAI関連能力の進化頻度とフレーミングについて検討し、生成型AIが主に職場における増強力または代替力として機能するかを検討する。
  論文  参考訳（メタデータ） (2026-04-07T17:02:43Z)
• AI to Learn 2.0: A Deliverable-Oriented Governance Framework and Maturity Rubric for Opaque AI in Learning-Intensive Domains [0.0]
  ジェネレーティブAIは、現在のガバナンスフレームワークよりも早く研究、教育、プロフェッショナルな仕事に入り、AIによるアウトプットをどのように判断すべきかを特定できる。 本稿では,AI支援作業のためのデリバリ指向ガバナンスフレームワークであるLearning 2.0を提案する。
  論文  参考訳（メタデータ） (2026-03-16T11:44:43Z)
• The AI Pyramid A Conceptual Framework for Workforce Capability in the Age of AI [2.134211474877041]
  最近の証拠は、生成的AIが高度に教育された白い首輪作業に不釣り合いに影響を及ぼすことを示している。 本稿では,AIを介する経済における人的能力の組織化のための概念的枠組みであるAI Pyramidを提案する。 このフレームワークは、組織、教育システム、政府に対して、学習、測定、政策をAIによる業務の進化的な要求と整合させようとする意味を持っている。
  論文  参考訳（メタデータ） (2026-01-10T09:27:56Z)
• From Accuracy to Impact: The Impact-Driven AI Framework (IDAIF) for Aligning Engineering Architecture with Theory of Change [0.40611352512781873]
  インパクト駆動型AIフレームワーク(IDAIF、Impact-Driven AI Framework)は、変化の理論(ToC)と現代の人工知能システム設計を統合する新しいアーキテクチャ方法論である。 IDAIFは、ToCの5段階モデルと対応するAIアーキテクチャレイヤの体系的なマッピングを確立することで、このギャップに対処する。 3つのケーススタディは、医療、サイバーセキュリティ、ソフトウェアエンジニアリングドメインにまたがるIDAIFアプリケーションを実証している。
  論文  参考訳（メタデータ） (2025-12-09T10:21:02Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
  コネクショニストと象徴的人工知能(AI)の収束を探求する記事 従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。 大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-11T14:00:53Z)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)
• Towards an Interface Description Template for AI-enabled Systems [77.34726150561087]
  再利用(Reuse)は、システムアーキテクチャを既存のコンポーネントでインスタンス化しようとする、一般的なシステムアーキテクチャのアプローチである。 現在、コンポーネントが当初目的としていたものと異なるシステムで運用する可搬性を評価するために必要な情報の選択をガイドするフレームワークは存在しない。 我々は、AI対応コンポーネントの主情報をキャプチャするインターフェイス記述テンプレートの確立に向けて、現在進行中の作業について述べる。
  論文  参考訳（メタデータ） (2020-07-13T20:30:26Z)
• A general framework for scientifically inspired explanations in AI [76.48625630211943]
  我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。 このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-03-02T10:32:21Z)

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。