論文の概要: Robo-Reporters: Evaluating Autonomous AI Agents as Algorithmic Gatekeepers in Computational Journalism
- arxiv url: http://arxiv.org/abs/2607.10736v1
- Date: Sun, 12 Jul 2026 12:40:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.518242
- Title: Robo-Reporters: Evaluating Autonomous AI Agents as Algorithmic Gatekeepers in Computational Journalism
- Title（参考訳）: Robo-Reporters: 計算ジャーナリズムにおけるアルゴリズム的ゲートキーパーとしての自律型AIエージェントの評価
- Abstract要約: 本研究では, モノリシック, チェーンベース, マルチエージェント協調, 自律的反復という4つのエージェントアーキテクチャの体系的比較を行った。
その結果, 作業時間, 計算戦略, 精度に有意な影響が認められた。
ゲートキーピングの新たな構造レベルとしてのポジションアーキテクチャの発見と、ニュースルームに対するエビデンスに基づくガイダンスの提供。
- 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: Artificial intelligence agents increasingly perform journalism tasks autonomously, searching for sources, evaluating credibility, and producing news content with minimal human oversight. Yet research has largely treated AI as a monolithic category, leaving the effects of architectural design unexamined. Drawing on gatekeeping theory, this study presents the first systematic comparison of four agent architectures, monolithic (Claude), chain-based (LangChain), multi-agent collaborative (CrewAI), and autonomous iterative (AutoGPT), across 200 controlled experiments spanning 50 journalism tasks of graduated difficulty. All architectures used the same underlying language model and identical tools, isolating architectural effects. Results revealed significant effects on task duration (F(3, 196) = 24.54, p < .001, eta-squared = .27) and computational strategy (F(3, 196) = 305.63, p < .001, eta-squared = .82), with architecture explaining 82% of the variance in processing behavior. Multi-agent collaboration achieved the highest accuracy (84.7%) at roughly twice the time cost of other designs. Multistage analysis of the monolithic architecture documented a 71.7% source rejection rate, a quantitative parallel to classic human gatekeeping, while framework-based systems obscured their filtering inside abstraction layers. Transparency emerged as an architectural choice: framework designs excelled at structured attribution, whereas monolithic and iterative designs produced superior methodological documentation. Findings position architecture as a new structural level of gatekeeping and offer evidence-based guidance for newsrooms: chain-based designs for speed, multi-agent for accuracy, monolithic for versatility, and iterative for auditability.
- Abstract（参考訳）: 人工知能のエージェントは、ジャーナリズムのタスクを自律的に実行し、情報源を探し、信頼性を評価し、最小限の人間の監視でニュースコンテンツを制作する。
しかし、研究は主にAIをモノリシックなカテゴリとして扱い、アーキテクチャ設計の影響を未検討のままにしている。
本研究は, ゲートキーピング理論に基づく4つのエージェントアーキテクチャ, モノリシック(Claude), チェーンベース(LangChain), マルチエージェント協調(CrewAI), 自律的反復(AutoGPT)の体系的比較を行った。
すべてのアーキテクチャは、基盤となる言語モデルと同一のツールを使用し、アーキテクチャ効果を分離した。
その結果,タスク持続時間 (F(3, 196) = 24.54, p < .001, eta-squared = .27) と計算戦略 (F(3, 196) = 305.63, p < .001, eta-squared = .82) に有意な影響が認められた。
マルチエージェントのコラボレーションは、他の設計の約2倍の時間コストで84.7%の精度を達成した。
モノリシックアーキテクチャのマルチステージ分析では71.7%のソース拒絶率があり、これは古典的な人間のゲートキーピングと同等であり、フレームワークベースのシステムは抽象層内でのフィルタリングを隠蔽した。
フレームワークの設計は構造化された属性に優れたが、モノリシックで反復的な設計は優れた方法論的なドキュメントを生み出した。
ポジションアーキテクチャは、新しいゲートキーピングのレベルとして見出され、速さのためのチェーンベースの設計、正確性のためのマルチエージェント、汎用性のためのモノリシック、監査性のための反復性といった、エビデンスベースのニュースルームのガイダンスを提供する。
関連論文リスト
- The Illusion of Agentic Complexity in README.md Generation: Evaluating Single-Agent vs. Multi-Agent RAG Systems [3.7149543017244238]
この研究は、GitHubリポジトリ用のファイル生成のためのRAG(Retrieval-Augmented Generation)依存アーキテクチャを実証的に評価する。
シングルエージェントパイプラインは、MASに匹敵する語彙品質を達成し、トークンの消費量を86%削減し、その2倍の速度で運用する。
論文 参考訳（メタデータ） (2026-06-29T16:29:31Z) - An Empirical Study of Multi-Agent Collaboration for Automated Research [41.906658558789545]
本稿では,機械学習の自動最適化のための異なるマルチエージェント構造の比較効果について検討する。
サブエージェントアーキテクチャとエージェントチームアーキテクチャという,2つのマルチエージェントパラダイムに対して,単一エージェントベースラインをベンチマークする。
この結果から,運用安定性と理論的検討の根本的なトレードオフが明らかになった。
論文 参考訳（メタデータ） (2026-03-31T11:57:00Z) - ABSTRAL: Automatic Design of Multi-Agent Systems Through Iterative Refinement and Topology Optimization [0.033246582398800045]
本稿では,MASアーキテクチャを自然言語文書として扱うフレームワークであるABSTRALを紹介する。
固定的なターン予算の下では、アンサンブルは26%のターン効率しか達成せず、66%のタスクが限界を乗り越えている。
対照的なトレース分析は 初期設計に欠如している 専門的な役割を発見します
論文 参考訳（メタデータ） (2026-03-24T04:28:07Z) - A Two-Dimensional Framework for AI Agent Design Patterns: Cognitive Function and Execution Topology [54.72352855252792]
本研究では,認知関数軸を7つのカテゴリ,実行位相軸を6つの構造的アーチタイプと組み合わせた2次元分類を提案する。
その結果得られた7x6行列は、27の名前付きパターン、13のオリジナルネームを識別し、AIエージェントアーキテクチャ設計のための原則付き、フレームワークニュートラル、モデルに依存しない語彙を提供する。
論文 参考訳（メタデータ） (2026-03-16T04:01:01Z) - Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。
複数の多様な実装設計を生成することで、線形パッチから切り離される。
NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
論文 参考訳（メタデータ） (2026-03-02T12:50:40Z) - From Agent-Only Social Networks to Autonomous Scientific Research: Lessons from OpenClaw and Moltbook, and the Architecture of ClawdLab and Beach.Science [0.0]
OpenClawとMoltbookは2026年1月に、自律型AI-AIインタラクションの大規模なデータセットを作成した。
本研究は,その生態系の多言語文献レビューを行い,自律科学研究のための2つの補完的プラットフォームを提示する。
論文 参考訳（メタデータ） (2026-02-23T13:10:01Z) - From Memorization to Creativity: LLM as a Designer of Novel Neural-Architectures [48.83701310501069]
大規模言語モデル(LLM)は、プログラム合成において優れているが、ニューラルネットワーク設計(信頼性、性能、構造的ノベルティ)を自律的にナビゲートする能力は、未調査のままである。
コード指向LLMをクローズドループ合成フレームワークに配置し、22の教師付き微調整サイクルの進化を解析することによって、この問題に対処する。
論文 参考訳（メタデータ） (2026-01-06T13:20:28Z) - Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism [61.01709143437043]
階層型タスク抽象化機構(HTAM)を中心とした新しいエージェント設計フレームワークを提案する。
具体的には、HTAMは、社会的役割のエミュレーションを超えて、代わりに、複数のエージェントシステムを、あるドメインの固有のタスク依存グラフを反映する論理階層に構造化する。
我々は、複雑な地理空間解析に適したマルチエージェントシステムであるEarthAgentとして、このフレームワークをインスタンス化する。
論文 参考訳（メタデータ） (2025-11-21T12:25:47Z) - AgentArch: A Comprehensive Benchmark to Evaluate Agent Architectures in Enterprise [0.0]
本稿では、オーケストレーション戦略、エージェントプロンプト実装(ReAct vs. 関数呼び出し)、メモリアーキテクチャ、思考ツール統合の4つの重要なエージェントシステム側面について検討する。
我々のベンチマークでは、エージェントAIシステムにおいて、一般的なワンサイズ・オールパラダイムに挑戦する、重要なモデル固有のアーキテクチャ上の嗜好を明らかにしている。
論文 参考訳（メタデータ） (2025-09-13T01:18:23Z) - Comparative Analysis of AI Agent Architectures for Entity Relationship Classification [1.6887793771613606]
本研究では,3つの異なるAIエージェントアーキテクチャの比較分析を行い,関係分類を行う。
エージェントアーキテクチャは,(1)反射的自己評価,(2)階層的タスク分解,(3)新しいマルチエージェント動的サンプル生成機構を含む。
実験により,マルチエージェントの協調が標準のショットプロンプトより一貫して優れていることが実証された。
論文 参考訳（メタデータ） (2025-06-03T04:19:47Z) - Multi-Agent Reinforcement Learning for Microprocessor Design Space
Exploration [71.95914457415624]
マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。
この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。
評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
論文 参考訳（メタデータ） (2022-11-29T17:10:24Z) - A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。
アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
論文 参考訳（メタデータ） (2020-05-14T09:02:33Z)
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。