論文の概要: A Diagnostic Framework for AI Agent Behavior

• arxiv url: http://arxiv.org/abs/2607.17149v1
• Date: Sun, 19 Jul 2026 09:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.382929
• Title: A Diagnostic Framework for AI Agent Behavior
• Title（参考訳）: AIエージェントの動作診断フレームワーク
• Abstract要約: このパースペクティブは、AIエージェントの振る舞い:レイヤ属性の診断フレームワークを提案する。 このフレームワークは、3つの結果を明確にしている: 代理妥当性はモデル-タスク層の関係であり、人間-AIの分岐は診断の証拠を提供し、ガバナンスは介入の前にソースの帰属を必要とする。
• 参考スコア（独自算出の注目度）: 2.7491881437593553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI agents increasingly act within the same clinical, political, scientific, and social systems that behavioral scientists study. Evaluating these systems requires source-level diagnosis: the same behavioral pattern may arise from an agent representational substrate or from the roles, objectives, interaction structures, and governance rules that shape its expression. This Perspective proposes a diagnostic framework for AI agent behavior: layer attribution. The foundational computational layer defines what behaviors are possible through architecture, memory, perception, attention, and representation. The behavioral modulation layer shapes how those capacities are expressed through identity, resources, objectives, social interaction, institutional constraints, and governance. The framework clarifies three consequences: surrogate validity is a model-task-layer relation, human-AI divergence provides diagnostic evidence, and governance requires source attribution before intervention. Treating AI agents as behavioral actors therefore requires evaluation methods that determine where behavior originates before deciding how to explain, validate, or govern it.
• Abstract（参考訳）: AIエージェントは、行動科学者が研究するのと同じ臨床、政治的、科学的、社会的システムの中で、ますます機能する。 これらのシステムを評価するには、ソースレベルの診断が必要である。同じ行動パターンはエージェントの表象ベースから、あるいはその表現を形成する役割、目的、相互作用構造、ガバナンスルールから生じる可能性がある。 このパースペクティブは、AIエージェントの振る舞い:レイヤ属性の診断フレームワークを提案する。 基本的な計算層は、アーキテクチャ、記憶、知覚、注意、表現を通じて可能な行動を定義する。 行動変調層は、アイデンティティ、リソース、目的、社会的相互作用、制度的制約、ガバナンスを通じて、それらの能力がどのように表現されるかを形成する。 このフレームワークは、3つの結果を明確にしている: 代理妥当性はモデル-タスク層の関係であり、人間-AIの分岐は診断の証拠を提供し、ガバナンスは介入の前にソースの帰属を必要とする。 したがって、AIエージェントを行動的アクターとして扱うには、行動の起源を決定する評価方法が必要である。

関連論文リスト

• Rethinking Penetration Testing for AI-Enabled Systems: From Resource Compromise to Behavioral Objective Violation [0.0]
  侵入テストは伝統的に、敵がセキュリティ関連の妥協を達成するために、ソフトウェア、インフラストラクチャ、設定、運用制御の弱点を悪用できるかどうかを評価する。 本稿では,AI対応システムの浸透試験を客観的行動評価として再検討する。
  論文  参考訳（メタデータ） (2026-07-15T16:36:54Z)
• How to Interpret Agent Behavior [56.59836196946289]
  本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。 共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
  論文  参考訳（メタデータ） (2026-05-13T14:52:40Z)
• Caring Without Feeling: Affective Dynamics as the Control Layer of Human-AI Agent Collaboration [28.35417287973668]
  エージェント的なコラボレーションの中で、感情的な手がかりがどのように動作するかは、統合された説明がない。 モデルが生成した感情信号が、依存、修復、監視を管理する相互作用ループにどのように入るかを追跡する。 我々は、AIの内的特性ではなく、人間やエージェントが能力、不確実性、責任を交渉する協調レイヤとして、影響を扱えるフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-08T05:10:38Z)
• Agentic Reasoning for Large Language Models [122.81018455095999]
  推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。 大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。 エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
  論文  参考訳（メタデータ） (2026-01-18T18:58:23Z)
• AI Deception: Risks, Dynamics, and Controls [153.71048309527225]
  このプロジェクトは、AI偽装分野の包括的で最新の概要を提供する。 我々は、動物の偽装の研究からシグナル伝達理論に基づく、AI偽装の正式な定義を同定する。 我々は,AI偽装研究の展望を,偽装発生と偽装処理の2つの主要な構成要素からなる偽装サイクルとして整理する。
  論文  参考訳（メタデータ） (2025-11-27T16:56:04Z)
• The Agent Behavior: Model, Governance and Challenges in the AI Digital Age [13.689486430780518]
  AIの進歩は、ネットワーク化された環境でエージェントが人間の振る舞いを反映するようになる。 本稿では,ネットワークの挙動を6段階に分割し,各段階における人間とエージェントの行動差を系統的に解析するネットワーク行動ライフサイクルモデルを提案する。 エージェントのためのエージェント(A4A)パラダイムと,5次元にわたる人間とエージェントの行動の根本的な区別を考察したHuman-Agent Behavioral Disparity(HABD)モデルについても紹介する。
  論文  参考訳（メタデータ） (2025-08-20T04:24:55Z)
• AI Agent Behavioral Science [29.262537008412412]
  AIエージェント行動科学は、行動の体系的な観察、仮説をテストするための介入の設計、そしてAIエージェントが時間とともにどのように行動し、適応し、相互作用するかの理論的指導による解釈に焦点を当てている。 我々は、個々のエージェント、マルチエージェント、人間とエージェントのインタラクション設定にまたがる研究の体系化を行い、この視点が、公正さ、安全性、解釈可能性、説明責任、プライバシーを行動特性として扱うことによって、責任あるAIにどのように影響を与えるかを実証する。
  論文  参考訳（メタデータ） (2025-06-04T08:12:32Z)
• Toward a Theory of Agents as Tool-Use Decision-Makers [89.26889709510242]
  真の自律性は、エージェントが、彼らが知っていること、必要なこと、そしてその知識を効率的に獲得する方法を統治する、一貫性のある疫学の枠組みに根ざす必要がある、と我々は主張する。 本研究では,内的推論と外的行動を等価な疫学ツールとして扱う統一理論を提案し,エージェントが内観と相互作用を体系的に調整することを可能にする。 この視点は、エージェントの設計を単なるアクションエグゼクタから知識駆動インテリジェンスシステムにシフトさせ、適応的で効率的でゴール指向の行動が可能な基礎エージェントを構築するための原則化された道筋を提供する。
  論文  参考訳（メタデータ） (2025-06-01T07:52:16Z)
• Causal Responsibility Attribution for Human-AI Collaboration [62.474732677086855]
  本稿では,人間のAIシステムにおける責任を体系的に評価するために,構造因果モデル(SCM)を用いた因果的枠組みを提案する。 2つのケーススタディは、多様な人間とAIのコラボレーションシナリオにおけるフレームワークの適応性を示している。
  論文  参考訳（メタデータ） (2024-11-05T17:17:45Z)
• Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
  人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である 本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-22T17:57:57Z)
• Modelling Behaviour Change using Cognitive Agent Simulations [0.0]
  本稿では, シミュレーションエージェントに選択された行動変化理論を適用するために, プログレッシブ・イン・プログレッシブ・リサーチを提案する。 この研究は、不適切な状況下での自己決定的目標達成に必要な複雑なエージェントアーキテクチャに焦点を当てている。
  論文  参考訳（メタデータ） (2021-10-16T19:19:08Z)

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。