論文の概要: F(AI)2R: Who Did What, and Who Checked? Verifiable AI Provenance as an Executable Skill
- arxiv url: http://arxiv.org/abs/2607.25637v1
- Date: Tue, 28 Jul 2026 12:17:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.832058
- Title: F(AI)2R: Who Did What, and Who Checked? Verifiable AI Provenance as an Executable Skill
- Title（参考訳）: F(AI)2R:誰が何をし、誰がチェックしたか? 実行可能なスキルとしての検証可能なAI
- Abstract要約: F(AI)2Rは、AIを使ったFAIR研究であり、AI支援のオーサリングパスと、すべてのアーティファクトに対するマシン可読な監査パスである。
本稿では,AI-in-the-loopアーティファクトをカバーするPROV-O拡張であるaiprovに,学術的な記述以上の証明モデルを一般化する。
プロダクションにおけるすべてのアクティビティ、クレーム、ソースは、2つのインの下にリポジトリの証明グラフに記録される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: F(AI)2R is FAIR research with AI in the loop, twice: an AI-assisted authoring pass and a machine-readable audit pass over every artefact. AI systems now draft, refactor, and verify research artefacts, yet their contributions are rarely recorded in a form a later human or machine can audit. Building on the original F(AI)2R experiment, we generalize its provenance model beyond scholarly writing into aiprov, a PROV-O extension covering any AI-in-the-loop artefact, and we package the method as an executable skill that an AI agent operates itself: setup asks the human operator for their ORCID ID, resolves their identity from the public registry, and scaffolds continuous integration that gates every push on graph conformance and publishes the current build of this very paper. The paper is its own case study. Every activity, claim, and source in its production is recorded in the repository's provenance graph under two invariants: no parentless claim, and verification rungs that only humans may grant.
- Abstract（参考訳）: F(AI)2Rは、AIを使ったFAIR研究であり、AI支援のオーサリングパスと、すべてのアーティファクトに対するマシン可読な監査パスである。
AIシステムは今や、研究成果物のドラフト、リファクタリング、検証を行っているが、その貢献は、後の人間やマシンが監査できる形で記録されることは滅多にない。
元のF(AI)2R実験に基づいて、学術的に記述する以上の証明モデルをaiprovに一般化し、任意のAI-in-the-loopアーティファクトをカバーするPROV-O拡張を行い、その方法をAIエージェント自身が運用する実行可能なスキルとしてパッケージ化する。
論文は独自のケーススタディです。
プロダクションにおけるすべてのアクティビティ、クレーム、ソースは、2つの不変条件の下でリポジトリの証明グラフに記録される。
関連論文リスト
- Can AI agents conduct open-ended AI research? Early evidence from two case studies [16.75408134467252]
エージェントがオープンエンドAI研究を実行できるかどうかの証拠は薄い。
現在の評価では、オープンエンドの調査を除外する狭いタスクでテストエージェントをテストするか、あるいは盲目のピアレビューにAI生成論文を提出する。
我々は、AI R&D自動化に向けた進歩を測定するための第3の方法を紹介します。
論文 参考訳（メタデータ） (2026-07-29T17:57:19Z) - AICID: Unique Identifiers for AI Scientists [5.939983212292006]
学術データベース、引用インデックス、ジャーナル提出システムにおいて、AI科学者と人間を区別する標準的なメカニズムは存在しない。
この白書は,問題を定義し,学術コミュニケーションの完全性に対する結果を分析し,AICIDを提案する。
AICIDは人間以外のコントリビュータ向けにモデル化されているが、AIIDは各AI作者をモデルID、バージョン、オペレーターにリンクする。
論文 参考訳（メタデータ） (2026-06-27T06:07:25Z) - Operation-Guided Progressive Human-to-AI Text Transformation Benchmark for Multi-Granularity AI-Text Detection [49.41415417307568]
OpAI-Benchは、プログレッシブな人間とAIのテキスト変換を研究するためのオペレーションガイド付きベンチマークである。
我々は、AIテキスト検出能力は、AI編集コンテンツの割合だけでなく、編集操作、ドメイン、累積修正履歴によっても支配されていることを示す。
論文 参考訳（メタデータ） (2026-06-04T17:58:05Z) - Framing, Judging, Steering: An Assessable Competency Model for Teach-ing Students to Reason With Generative AI [47.027290803102666]
生産的AI利用を3つの評価可能なスキルに分解する能力モデルであるCoRe-3(Co-Reasoning)を提案する。
理論上のスキルを基盤として、5つのテスト可能な提案を述べ、それらをCoReasoningLabでインスタンス化します。
人為的な合意と成果が次々に行われます。私たちは、計測器、データ、プロトコルをリリースします。
論文 参考訳（メタデータ） (2026-06-04T10:25:31Z) - Characterizing initial human-AI proof formalization workflows [66.06866890889131]
AIシステムのコード生成能力の進歩と、証明を形式化し、検証する人々の能力を変えるための高度な数学的推論の約束への関与。
我々は、AIが人々のフォーマル化に与える影響について、混合メソッド分析を行う。
質的な調査では、人々の好みは多様であるが、形式化におけるAI支援に対する一般的な欲求が示されている。
論文 参考訳（メタデータ） (2026-06-02T22:58:19Z) - PAIRED: A Process-Anchored Framework for Transparent Reporting of AI Contributions in Scientific Research [0.7614628596146601]
AIコントリビューションを報告するための既存のフレームワークは、一様にアウトプット指向である。
現在のフレームワークでは、研究の方向性を創始した研究者と、AIの提案した方向性を採用した研究者とを区別することはできない。
論文 参考訳（メタデータ） (2026-05-23T01:10:56Z) - AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。
我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。
障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
論文 参考訳（メタデータ） (2026-05-18T17:08:26Z) - The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。
通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
論文 参考訳（メタデータ） (2026-04-27T16:23:09Z) - 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) - Could AI Trace and Explain the Origins of AI-Generated Images and Text? [53.11173194293537]
AI生成コンテンツは、現実の世界ではますます普及している。
敵は、大規模なマルチモーダルモデルを利用して、倫理的または法的基準に違反した画像を作成するかもしれない。
ペーパーレビュアーは、大きな言語モデルを誤用して、真の知的努力なしにレビューを生成する。
論文 参考訳（メタデータ） (2025-04-05T20:51:54Z)
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。