論文の概要: Human AI Construction of Bayesian Networks for Operational Decision Support -- A Virtual Survey Approach

• arxiv url: http://arxiv.org/abs/2607.14141v1
• Date: Mon, 13 Jul 2026 06:15:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.837728
• Title: Human AI Construction of Bayesian Networks for Operational Decision Support -- A Virtual Survey Approach
• Title（参考訳）: 手術意思決定支援のためのベイジアンネットワークのヒューマンAI構築-仮想サーベイアプローチ
• Abstract要約: 本稿では,専門家の意見とデータ駆動学習のギャップを埋めるために,大規模言語モデルを用いた新しい手法を提案する。 6段階のBBNフレームワークを開発し、代替医療システムで医師に相談する顧客意図をモデル化する。 このモデルは、自己効力は主要な要因であるように見えるが、実際の因果効果は小さいことを明らかにしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian Belief Networks (BBNs) are powerful tools for decision-making under uncertainty. However, building their structures and estimating parameters are difficult. Currently, researchers must choose between relying on expert judgement or using large datasets to learn the structure and parameters of the network. We propose a new methodology using Large Language Models to bridge the gap between expert opinion and data-driven learning. This approach uses a panel of AI agents to estimate probabilities based on specific personas and context. We then apply a trimmed-mean rule to remove noise from these responses. We develop a six step BBN framework and illustrate it to model customer intention to consult a doctor in an alternative healthcare system. The model reveals that while self efficacy appears to be a major factor, its actual causal impact is small. In contrast, subjective norms have a much stronger effect in modelling customers' intention. The most effective strategy is to improve both confidence and community norms simultaneously.
• Abstract（参考訳）: Bayesian Belief Networks (BBN) は不確実性の下で意思決定を行う強力なツールである。 しかし、それらの構造の構築とパラメータの推定は困難である。 現在、研究者は専門家の判断に頼るか、ネットワークの構造とパラメータを学ぶために大きなデータセットを使うかを選択する必要がある。 本稿では,専門家の意見とデータ駆動学習のギャップを埋めるために,大規模言語モデルを用いた新しい手法を提案する。 このアプローチでは、AIエージェントのパネルを使用して、特定のペルソナとコンテキストに基づいて確率を推定する。 次に、これらの応答からノイズを取り除くためにトリミング平均規則を適用する。 6段階のBBNフレームワークを開発し、代替医療システムで医師に相談する顧客意図をモデル化する。 このモデルは、自己効力は主要な要因であるように見えるが、実際の因果効果は小さいことを明らかにしている。 対照的に、主観的規範は顧客の意図をモデル化する上で、はるかに強い影響を及ぼす。 最も効果的な戦略は、信頼とコミュニティの規範の両方を同時に改善することである。

関連論文リスト

• Uncertainty-Aware Generation and Decision-Making Under Ambiguity [57.15357080072861]
  本稿では,ベイズ決定理論とリスク逆決定法に基づく不確実性を考慮した意思決定アルゴリズムを提示し,評価する。 これらのアルゴリズムは世代別の有用性を向上させることができるが、あいまいさが高い場合には慎重に実装する必要があることを実証的に見出した。
  論文  参考訳（メタデータ） (2026-06-29T17:20:43Z)
• 2-Step Agent: A Framework for the Interaction of a Decision Maker with AI Decision Support [0.254890465057467]
  本稿では,AIによる意思決定の効果をモデル化する汎用計算フレームワークである2-Step Agentを紹介する。 我々の結果は、AIによる意思決定サポートの潜在的な落とし穴を明らかにし、詳細なモデルドキュメンテーションと適切なユーザートレーニングの必要性を強調します。
  論文  参考訳（メタデータ） (2026-02-25T13:11:12Z)
• Cascaded Language Models for Cost-effective Human-AI Decision-Making [52.81324217423194]
  複数の専門分野にまたがってタスクを適応的に委譲するLLM決定フレームワークを提案する。 まず、deferral Policyは、ベースモデルの回答を受け入れるか、あるいは大きなモデルでそれを再生するかを決定する。 第2に、禁忌ポリシーは、カスケードモデル応答が十分に確実であるか、または人間の介入を必要とするかを判定する。
  論文  参考訳（メタデータ） (2025-06-13T15:36:22Z)
• Epistemic Uncertainty-aware Recommendation Systems via Bayesian Deep Ensemble Learning [2.3310092106321365]
  より堅牢で信頼性の高い予測を生成するために,アンサンブルに基づくスーパーモデルを提案する。 また,ユーザとアイテムの埋め込みに対して,解釈可能な非線形マッチング手法を導入する。
  論文  参考訳（メタデータ） (2025-04-14T23:04:35Z)
• Towards Objective and Unbiased Decision Assessments with LLM-Enhanced Hierarchical Attention Networks [6.520709313101523]
  本研究では,人的専門家による高い意思決定過程における認知バイアスの識別について検討する。 人間の判断を超越したバイアス対応AI拡張ワークフローを提案する。 実験では,提案モデルとエージェントワークフローの両方が,人間の判断と代替モデルの両方において有意に改善されている。
  論文  参考訳（メタデータ） (2024-11-13T10:42:11Z)
• Modeling Boundedly Rational Agents with Latent Inference Budgets [56.24971011281947]
  エージェントの計算制約を明示的にモデル化する潜在推論予算モデル(L-IBM)を導入する。 L-IBMは、最適なアクターの多様な集団のデータを使ってエージェントモデルを学ぶことができる。 我々は,L-IBMが不確実性の下での意思決定のボルツマンモデルに適合しているか,あるいは上回っていることを示す。
  論文  参考訳（メタデータ） (2023-12-07T03:55:51Z)
• Understanding the (Extra-)Ordinary: Validating Deep Model Decisions with Prototypical Concept-based Explanations [13.60538902487872]
  本稿では, 実例的(地域的)かつクラス的(グローバル的)な意思決定戦略をプロトタイプを通じて伝達する, ポストホックなコンセプトベースXAIフレームワークを提案する。 我々は,3つのデータセットにまたがるアウト・オブ・ディストリビューション・サンプル,突発的なモデル行動,データ品質問題同定におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-28T10:53:26Z)
• Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need in MOOC Forums [58.221459787471254]
  大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。 多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。 MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。 本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
  論文  参考訳（メタデータ） (2021-04-26T15:12:13Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• MASSIVE: Tractable and Robust Bayesian Learning of Many-Dimensional Instrumental Variable Models [8.271859911016719]
  モデル不確実性を考慮した汎用的かつ効率的な因果推論アルゴリズムを提案する。 いくつかの候補が(近い)有効である限り、どの候補が先験的かを知ることなく、それらの集団が目標との相互作用に十分な制限を課し、信頼できる因果効果の推定を得る。
  論文  参考訳（メタデータ） (2020-12-18T10:06:55Z)
• Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
  ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。 その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
  論文  参考訳（メタデータ） (2020-03-25T11:08:56Z)

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。