論文の概要: When AI Blurs the Boundaries of Contribution: An Empirical Study of Authorship Calibration

• arxiv url: http://arxiv.org/abs/2607.15006v1
• Date: Thu, 16 Jul 2026 13:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.129446
• Title: When AI Blurs the Boundaries of Contribution: An Empirical Study of Authorship Calibration
• Title（参考訳）: AIが貢献の境界を破る時--著者の校正に関する実証的研究
• Authors: Célina Treuillier, Denis Lalanne,
• Abstract要約: 我々は,AIと対話する際の実際の著者意識をユーザ自身が意識するものとして定義されたオーサリングキャリブレーションの概念を導入する。 その結果、AIに強く依存しているユーザーは著者を誤解する傾向があり、一方、AIを使用している人はより正確な著者格付けをあまり示さないことが判明した。
• 参考スコア（独自算出の注目度）: 1.9336815376402718
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The broad adoption of Artificial Intelligence (AI), especially Generative AI, raises pressing questions about how users interact with these systems to produce new content. In this paper, we introduce the concept of authorship calibration, defined as users awareness of their actual authorship when interacting with AI. Using the CoAuthor dataset, we empirically examine how authorship calibration varies across users and how it relates to their frequency of AI use. Our results reveal high variability: users relying heavily on AI tend to misjudge their authorship, whereas those using AI less frequently exhibit more accurate authorship calibration. These findings suggest that AI can obscure users perception of their own authorship. In learning contexts, miscalibration can affect metacognitive monitoring and learning strategies, ultimately impacting learning outcomes. Fostering authorship calibration then appears essential for promoting responsible and educationally meaningful AI integration.
• Abstract（参考訳）: 人工知能(AI)の広範な採用、特にジェネレーティブAIは、ユーザーがこれらのシステムとどのように相互作用して新しいコンテンツを生成するかについて、強い疑問を提起している。 本稿では,AIと対話する際に,実際の著者を意識するユーザとして定義されるオーサリングキャリブレーションの概念を紹介する。 CoAuthorデータセットを使用して、オーサリングのキャリブレーションがユーザによってどのように異なるか、それがAI使用頻度にどのように関連しているかを実証的に検証する。 その結果、AIに強く依存しているユーザーは著者を誤解する傾向があり、一方、AIを使用している人はより正確な著者格付けをあまり示さないことが判明した。 これらの結果は、AIが自身の著者に対するユーザーの認識を曖昧にすることができることを示唆している。 学習コンテキストでは、誤校正はメタ認知的なモニタリングと学習戦略に影響を与え、最終的には学習結果に影響を及ぼす。 著者のキャリブレーションの育成は、責任と教育的に意味のあるAI統合を促進するために不可欠である。

関連論文リスト

• The Impact of AI Usage and Informativeness on Skill Development in Logical Reasoning [13.546638788752924]
  我々は、AI支援にオンデマンドでアクセスできる論理的推論タスクにおいて、AIの使用状況と情報性の両方が学習を形作ることができるかを検討する。 より高度なAI利用は、より弱いスキル開発に結びついているのに対して、軽いAIユーザは、AIを使用しないマッチしたユーザーと同じようなパフォーマンスをしている。 我々の知見は、AIは文脈に応じて、独立した推論を増幅することによって人間のスキル開発を補完するか、代替品として振る舞うことができることを示唆している。
  論文  参考訳（メタデータ） (2026-05-20T19:55:57Z)
• Almost AI, Almost Human: The Challenge of Detecting AI-Polished Writing [55.2480439325792]
  本研究では、AI-Polished-Text Evaluationデータセットを用いて、12の最先端AIテキスト検出器を体系的に評価する。 我々の発見によると、検出器は、最小限に洗練されたテキストをAI生成としてフラグ付けし、AIの関与度を区別し、古いモデルや小さなモデルに対するバイアスを示す。
  論文  参考訳（メタデータ） (2025-02-21T18:45:37Z)
• Investigating the Role of Explainability and AI Literacy in User Compliance [2.8623940003518156]
  XAIの導入により,ユーザのコンプライアンスが向上する一方で,AIリテラシーの影響も受けていることがわかった。 また,AIリテラシーXAIとユーザのコンプライアンスの関係は,ユーザのメンタルモデルが介在していることも確認した。
  論文  参考訳（メタデータ） (2024-06-18T14:28:12Z)
• What Else Do I Need to Know? The Effect of Background Information on Users' Reliance on QA Systems [23.69129423040988]
  本研究では,予測に十分な情報がない場合のQAシステムとのインタラクションについて検討する。 本研究は,モデルの正しさを評価するのに十分な情報がない場合でも,利用者がモデル予測に頼っていることを明らかにした。
  論文  参考訳（メタデータ） (2023-05-23T17:57:12Z)
• Fairness in AI and Its Long-Term Implications on Society [68.8204255655161]
  AIフェアネスを詳しく見て、AIフェアネスの欠如が、時間の経過とともにバイアスの深化につながるかを分析します。 偏りのあるモデルが特定のグループに対してよりネガティブな現実的な結果をもたらすかについて議論する。 問題が続くと、他のリスクとの相互作用によって強化され、社会不安という形で社会に深刻な影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2023-04-16T11:22:59Z)
• Responsibility: An Example-based Explainable AI approach via Training Process Inspection [1.4610038284393165]
  我々は、特定の決定に対して最も責任あるトレーニング例を特定する新しいXAIアプローチを提案する。 この例は、"これが私が(AI)学んだことであり、それが私をそのようにしました"、という説明として示されます。 以上の結果から,ヒューマンエンドユーザとセカンダリMLモデルの両方において,責任が精度の向上に有効であることが示唆された。
  論文  参考訳（メタデータ） (2022-09-07T19:30:01Z)
• Cybertrust: From Explainable to Actionable and Interpretable AI (AI2) [58.981120701284816]
  Actionable and Interpretable AI (AI2)は、AIレコメンデーションにユーザの信頼度を明確に定量化し視覚化する。 これにより、AIシステムの予測を調べてテストすることで、システムの意思決定に対する信頼の基盤を確立することができる。
  論文  参考訳（メタデータ） (2022-01-26T18:53:09Z)
• Measuring Ethics in AI with AI: A Methodology and Dataset Construction [1.6861004263551447]
  我々は、AI技術のこのような新しい機能を使用して、AI測定能力を増強することを提案する。 我々は倫理的問題や関心事に関連する出版物を分類するモデルを訓練する。 私たちは、AIメトリクス、特に信頼できる公正なAIベースのツールや技術開発への彼らの貢献の意味を強調します。
  論文  参考訳（メタデータ） (2021-07-26T00:26:12Z)
• Trustworthy AI: A Computational Perspective [54.80482955088197]
  我々は,信頼に値するAIを実現する上で最も重要な6つの要素,(i)安全とロバスト性,(ii)非差別と公正,(iii)説明可能性,(iv)プライバシー,(v)説明可能性と監査性,(vi)環境ウェルビーイングに焦点をあてる。 各次元について、分類学に基づく最近の関連技術について概観し、実世界のシステムにおけるそれらの応用を概説する。
  論文  参考訳（メタデータ） (2021-07-12T14:21:46Z)
• Building Bridges: Generative Artworks to Explore AI Ethics [56.058588908294446]
  近年,人工知能(AI)技術が社会に与える影響の理解と緩和に重点が置かれている。 倫理的AIシステムの設計における重要な課題は、AIパイプラインには複数の利害関係者があり、それぞれがそれぞれ独自の制約と関心を持っていることだ。 このポジションペーパーは、生成的アートワークが、アクセス可能で強力な教育ツールとして機能することで、この役割を果たすことができる可能性のいくつかを概説する。
  論文  参考訳（メタデータ） (2021-06-25T22:31:55Z)
• Effect of Confidence and Explanation on Accuracy and Trust Calibration in AI-Assisted Decision Making [53.62514158534574]
  ケース固有のモデル情報を明らかにする特徴が、信頼度を調整し、人間とAIのジョイントパフォーマンスを向上させることができるかどうかを検討する。 信頼スコアは、AIモデルに対する人々の信頼を校正するのに役立ちますが、信頼の校正だけでは、AI支援による意思決定を改善するには不十分です。
  論文  参考訳（メタデータ） (2020-01-07T15:33:48Z)

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。