論文の概要: Estimating time spent on work tasks

• arxiv url: http://arxiv.org/abs/2608.05172v1
• Date: Fri, 26 Jun 2026 01:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.152171
• Title: Estimating time spent on work tasks
• Title（参考訳）: 作業に費やした時間を見積もる
• Abstract要約: 約18,000のタスクの時間共有を推定する原理的手法を提案する。 時間共有を適用して、AIが米国の職業をどう露出するかを分析し、以前の結果が時間重みに敏感であることを見つけます。
• 参考スコア（独自算出の注目度）: 47.41520136160483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The task-based framework in economics models occupations as bundles of tasks. It is the standard lens for understanding how technology affects work: a new technology changes the cost or time each task requires and these task-level effects aggregate to occupation-level effects. We study how tasks should be weighted in this aggregation. Prior work has relied on idiosyncratic or ill-justified choices for task weights. While recent work suggests weighting tasks by time spent, existing time shares are either based on coarse ONET data not intended for this purpose or estimated via black-box language models. We address this gap by proposing a principled method for estimating time shares for nearly 18,000 tasks that constitute nearly all U.S. jobs. Our estimates factor a task's time into (i) the expected frequency of the task, derived from ONET, and (ii) the time to complete a single instance of it. To estimate the latter, we solve a constraint satisfaction problem based on pairwise comparisons elicited from language models about which tasks are longer per instance. We validate our estimates by characterizing the solution space of the constraint satisfaction problem and collecting data from workers for multiple occupations. We apply our time shares to analyze how AI exposes U.S. occupations and find that some prior results are sensitive to time weights. Accounting for the share of working time exposed to AI, rather than the share of tasks like prior work, widens the gap between the least and most exposed jobs: it lowers measured exposure for most occupations but raises it for the most exposed. Re-weighting by time also reshuffles 11 of the 25 occupations widely reported as most exposed to AI, shifting the top of the list away from clerical work and toward analytical roles. Time shares can serve as a general primitive for research and policy on the labor economy and the economics of technology.
• Abstract（参考訳）: 経済モデルにおけるタスクベースのフレームワークは、タスクのバンドルとして占有される。 新しい技術は、各タスクに必要なコストや時間を変え、これらのタスクレベルの効果は、職業レベルの効果に集約されます。 このアグリゲーションでどのようにタスクを重み付けすべきかを研究します。 以前の作業は、タスクウェイトに対する慣用的あるいは不適切な選択に依存していました。 最近の研究は、時間ごとのタスクの重み付けを示唆しているが、既存の時間共有は、この目的を意図していない粗いONETデータに基づいているか、ブラックボックス言語モデルで見積もっている。 このギャップに対処するために、ほぼすべての米国の仕事を構成する18,000のタスクに対して、時間共有を推定する原則的な方法を提案する。 我々の見積もりはタスクの時間を割く i) ONETから派生したタスクの期待される頻度及び (ii) 一つのインスタンスを完成させる時間。 後者を推定するために、各インスタンスあたりのどのタスクが長いかという言語モデルから得られるペアワイズ比較に基づいて制約満足度問題を解く。 我々は、制約満足度問題の解空間を特徴づけ、複数の職業の労働者からデータを収集することで、見積もりを検証する。 時間共有を適用して、AIが米国の職業をどう露出するかを分析し、以前の結果が時間重みに敏感であることを見つけます。 以前の仕事のようなタスクのシェアではなく、AIに暴露される作業時間のシェアを考慮すれば、最も露出の少ない仕事と最も露出の少ない仕事のギャップが広がる。 時間の重み付けはまた、AIに最も露出していると広く報告されている25の職業のうち11をリシャッフルし、リストのトップを聖職者の仕事から分析的な役割へとシフトさせる。 タイムシェアは、労働経済と技術経済に関する研究と政策の一般的な原始的役割を担っている。

関連論文リスト

• Economic Evaluations of Language Models [81.69183693497281]
  EconEvalsは、米国の労働経済におけるタスク、労働活動、職業に関連する能力を測定するためのオープンソースの評価スイートである。 われわれの評価は、米国占領の5%をカバーする既存の最先端技術であるOpenAIのGDPvalベンチマークを500倍のコストでカバーする。 われわれの推計では、現在のモデルでは労働者が仕事の少なくとも半分を47%で相当な時間を節約できる。
  論文  参考訳（メタデータ） (2026-06-26T22:26:40Z)
• BRIDGE: Predicting Human Task Completion Time From Model Performance [36.36759710005444]
  ヒューマンタスクの完了時間アノテーションに依存する既存のアプローチは、コストが高く、ノイズがあり、ベンチマークをまたいでスケールすることが難しい。 本稿では、モデル応答から潜伏困難尺度を学習し、それを人間のタスク完了時間に固定する統合心理測定フレームワークBRIDGEを提案する。
  論文  参考訳（メタデータ） (2026-02-06T23:36:11Z)
• Is there a half-life for the success rates of AI agents? [0.0]
  長時間のタスクにおけるAIエージェントのパフォーマンスは、人間がタスクを行うのに要する毎分、一定の割合で失敗する率によって説明できることを示す。 これは、タスクの長さが指数関数的に減少し、各エージェントがそれぞれのハーフライフによって特徴づけられることを意味する。
  論文  参考訳（メタデータ） (2025-05-08T10:31:03Z)
• DATA-WA: Demand-based Adaptive Task Assignment with Dynamic Worker Availability Windows [10.809150523812255]
  空間的クラウドソーシングは、ロケーションベースのタスクをモバイルワーカーに割り当てる。 既存の研究は、現在、タスクの割り当てに重点を置いている。 本稿では,割り当てられたタスク数を最大化することを目的とした適応型タスク割り当て問題を提案する。
  論文  参考訳（メタデータ） (2025-03-27T12:46:12Z)
• Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
  既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。 タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。 我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
  論文  参考訳（メタデータ） (2022-10-12T15:02:04Z)
• MS-LaTTE: A Dataset of Where and When To-do Tasks are Completed [14.009925631455092]
  我々はMS-LaTTEと呼ばれる新しい大規模データセットをリリースする。 タスク完了を取り巻くコンテキストの中核となる2つの側面(場所と時間)をキャプチャする。 本研究では,空間的タスクと時間的タスクの共起を予測する2つの問題に対して,データセットを検証した。
  論文  参考訳（メタデータ） (2021-11-12T19:01:06Z)
• Distribution Matching for Heterogeneous Multi-Task Learning: a Large-scale Face Study [75.42182503265056]
  マルチタスク学習は、共有学習アルゴリズムによって複数のタスクを共同で学習する方法論として登場した。 我々は異種mtlに対処し,検出,分類,回帰問題を同時に解決する。 大規模な顔分析のための最初のフレームワークであるFaceBehaviorNetを構築し、すべての顔行動タスクを共同で学習する。
  論文  参考訳（メタデータ） (2021-05-08T22:26:52Z)
• COG: Connecting New Skills to Past Experience with Offline Reinforcement Learning [78.13740204156858]
  我々は、動的プログラミングによって新しいスキルを拡張するために、事前データを再利用できることを示します。 我々は、新しいタスクを解決するために、以前のデータセットに見られるいくつかの動作をチェーンすることで、アプローチの有効性を実証する。 我々は、高次元画像観察を低レベルのロボット制御コマンドにマッピングし、エンドツーエンドでポリシーを訓練する。
  論文  参考訳（メタデータ） (2020-10-27T17:57:29Z)
• Learning Occupational Task-Shares Dynamics for the Future of Work [5.487438649316376]
  ビッグデータとAIは、2012年と2016年以来、高賃金の職業の中で著しく上昇している。 我々は,将来的な業務要求を予測するためのARIMAモデルを構築している。
  論文  参考訳（メタデータ） (2020-01-28T21:20:33Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)

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。