論文の概要: Long-term Measurements: Towards a Longitudinal Understanding of Human-AI Interactions

• arxiv url: http://arxiv.org/abs/2608.02491v2
• Date: Wed, 05 Aug 2026 04:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.201055
• Title: Long-term Measurements: Towards a Longitudinal Understanding of Human-AI Interactions
• Title（参考訳）: 長期計測:人間とAIの相互作用の経時的理解に向けて
• Authors: Nicole Mitchell, Dhruv Agarwal, Maty Bohacek, Remi Denton, Roma Patel,
• Abstract要約: 我々は,NLP分野における計算手法と社会科学分野における測定値の組み合わせについて論じる。 人間の行動シフトをモデル相互作用の関数としてモデル化するこの能力は、問題のある行動のポストホック検出よりも、オンラインでの操作を容易にすることができる。
• 参考スコア（独自算出の注目度）: 7.282012402627575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Language models have taken on the role of a very new type of technology, by virtue of their "human-ness" and rapid integration into users' daily lives. This combination of features can introduce longitudinal risks---cognitive, developmental and socio-affective changes in humans---that might not surface during a short-term interaction, but can have lasting long-term effects on users. This forms the basis of a critical new mission for NLP: to pivot from static, short-term evaluations of text generations to long-term measurements of behavioral changes, towards a diachronic understanding of human-model interactions. In this work, we draw from measurements used in social science fields that are crucial to understand emergent phenomena in longitudinal data. We discuss how computational methods in the field of NLP need to be combined with such measurements, not only to understand long-term safety risks of human-model interactions, but to help steer model development towards positive rather than negative outcomes for users. This ability to model human behavioral shifts as a function of model interactions can facilitate online rather than post-hoc detection of problematic behaviors, and should be leveraged in alignment frameworks to mitigate long-term risks in users.
• Abstract（参考訳）: 言語モデルは、その「人間性」とユーザの日常生活への迅速な統合により、非常に新しいタイプの技術の役割を担っている。 このような特徴の組み合わせは、人間の認知的、発達的、社会的影響的な変化という、短期的な相互作用の間は表面化しないが、ユーザーに対する長期的な影響が持続する、という長手なリスクをもたらす可能性がある。 これはNLPにとって重要な新しいミッションの基盤となり、テキスト世代を静的かつ短期に評価することから、行動の変化を長期にわたって測定すること、人間-モデル相互作用のダイアクロニックな理解へと転換する。 本研究では, 社会科学分野において, 時系列データにおける創発現象の理解に不可欠である測定値から抽出する。 我々は,NLPの分野における計算手法が,人間-モデル相互作用の長期的安全性リスクを理解するだけでなく,ユーザにとってネガティブな結果ではなく,肯定的なモデル開発を支援するために,このような測定とどのように組み合わせるべきかについて論じる。 モデルインタラクションの関数として人間の行動シフトをモデル化するこの能力は、問題のある行動のポストホックな検出よりもオンラインでの促進を可能にし、ユーザーの長期的リスクを軽減するためにアライメントフレームワークに活用する必要がある。

関連論文リスト

• Beyond Her: Safety Dynamics in Role-play AI Companions [31.494321104359642]
  ロールプレイ型AIコンパニオン(RAC)における安全性のダイナミクスについて,2段階の混合手法による検討を行った。 我々は,ユーザの内在的問題,RACが採用する役割的性格,リスク相互作用パターンが共同で安全ダイナミクスを形成することを発見した。 本研究は, 静的な特性ではなく, 動的プロセスとしての安全性をモデル化することの重要性を強調した。
  論文  参考訳（メタデータ） (2026-06-27T15:11:35Z)
• Learning Whole-Body Human-Humanoid Interaction from Human-Human Demonstrations [63.80827184637476]
  D-STAR(D-STAR)は,行動すべき場所から行動すべき場所を乱す階層的な政策である。 広範かつ厳密なシミュレーションを通じて、我々のフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-01-14T14:37:06Z)
• Interact2Ar: Full-Body Human-Human Interaction Generation via Autoregressive Diffusion Models [80.28579390566298]
  テキスト条件付き自己回帰拡散モデルであるInteract2Arを導入する。 ハンドキネマティクスは専用のパラレルブランチを通じて組み込まれ、高忠実度フルボディ生成を可能にする。 我々のモデルは、時間的動きの合成、外乱へのリアルタイム適応、ディヤディックからマルチパーソンシナリオへの拡張など、一連のダウンストリームアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2025-12-22T18:59:50Z)
• 3D Human-Human Interaction Anomaly Detection [9.82406406771152]
  H2IAD(Human-Human Interaction Anomaly Detection)は、協調的な3D行動における異常な対話的行動を特定することを目的としている。 IADNetはH2IADの既存のHuman-centric ADベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-15T17:17:55Z)
• HHI-Assist: A Dataset and Benchmark of Human-Human Interaction in Physical Assistance Scenario [63.77482302352545]
  HHI-Assist(ヒヒ・アシスト)は、人間の介助作業における人間のインタラクションのモーションキャプチャークリップからなるデータセットである。 私たちの研究は、ロボット支援ポリシーを大幅に強化する可能性がある。
  論文  参考訳（メタデータ） (2025-09-12T09:38:17Z)
• AntEval: Evaluation of Social Interaction Competencies in LLM-Driven Agents [65.16893197330589]
  大規模言語モデル(LLM)は、幅広いシナリオで人間の振る舞いを再現する能力を示した。 しかし、複雑なマルチ文字のソーシャルインタラクションを扱う能力については、まだ完全には研究されていない。 本稿では,新しいインタラクションフレームワークと評価手法を含むマルチエージェントインタラクション評価フレームワーク(AntEval)を紹介する。
  論文  参考訳（メタデータ） (2024-01-12T11:18:00Z)
• IA-LSTM: Interaction-Aware LSTM for Pedestrian Trajectory Prediction [1.3597551064547502]
  群衆シナリオにおける歩行者の軌道予測は、自動運転車や自律移動ロボットの分野において不可欠である。 従来の研究者は人間と人間の相互作用をモデル化する方法に重点を置いていたが、相互作用の相対的重要性を無視した。 人間の相互作用の相対的重要性を測定するために、コレントロピーに基づく新しいメカニズムが導入された。
  論文  参考訳（メタデータ） (2023-11-26T05:17:11Z)
• Comparison of Spatio-Temporal Models for Human Motion and Pose Forecasting in Face-to-Face Interaction Scenarios [47.99589136455976]
  本稿では,行動予測のための最新手法の体系的比較を行った。 UDIVA v0.5の最先端性能を実現するのに最も注意を払っているアプローチである。 短期的に訓練された手法で未来を自動回帰予測することで、かなり長期にわたってベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-03-07T09:59:30Z)
• User profile-driven large-scale multi-agent learning from demonstration in federated human-robot collaborative environments [5.218882272051637]
  本稿では,提示された人間の行動のきめ細かい表現を提供する,新しいユーザプロファイルの定式化について紹介する。 全体的な設計は、人間の行動の短期的および長期的分析/解釈を可能にする。
  論文  参考訳（メタデータ） (2021-03-30T15:33:21Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。