論文の概要: Large Language Models Explain Experts Better Than Experts Themselves

• arxiv url: http://arxiv.org/abs/2608.07488v1
• Date: Sun, 14 Jun 2026 01:48:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 00:27:41.711379
• Title: Large Language Models Explain Experts Better Than Experts Themselves
• Title（参考訳）: 大規模な言語モデル:専門家が専門家より優れていることを説明
• Abstract要約: 暗黙の知識、すなわち経験に埋め込まれた「ノウハウ」は、説明が難しい。 本研究では,LLMが専門家の行動から暗黙の知識を外部化できるかどうかを検討する。 LLMを外用した暗黙的知識は意思決定の質を向上し、初心者が専門家レベルのパフォーマンスにアプローチできるようにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tacit knowledge, or the "know-how" embedded in experience, is difficult to articulate, making its transfer a challenge in organizations. Tacit knowledge is hard to externalize (transform into explicit knowledge), and expertise is often poorly documented and lost when experts leave. This study examines whether LLMs can externalize tacit knowledge from experts' behaviors and whether such externalized knowledge supports downstream decision-making and transfer to novices. Across two studies, we show that LLM-externalized tacit knowledge improves decision quality and enables novices to approach expert-level performance, often outperforming knowledge articulated by human experts. These findings provide empirical support for Polanyi's Paradox -- that we can know more than we can tell -- and highlight the potential of LLMs as scalable tools that can help overcome human experts' articulation bottleneck. Mechanism analyses and robustness checks show that LLMs meaningfully learn and extract knowledge from expert conversations, and findings generalize across models and retrieval methods.
• Abstract（参考訳）: 暗黙の知識(あるいは経験に埋め込まれた"ノウハウ")は、説明が難しいため、組織内では移行が難しい。 暗黙的な知識は外部化が難しい(明示的な知識に変換される)ため、専門家が去ると、専門知識は文書化され、失われることが多い。 本研究は,LLMが専門家の行動から暗黙の知識を外部化できるかどうかと,そのような外部化知識が下流の意思決定と初心者への伝達を支援するかどうかを検討する。 2つの研究を通して, LLMを外用した暗黙的知識は意思決定の質を向上し,初心者が専門家レベルのパフォーマンスにアプローチできることを示す。 これらの発見は、Pollanyi氏のParadox -- 私たちが知る以上のことが分かる -- に対する実証的なサポートを提供し、LLMの可能性を、人間の専門家の明瞭なボトルネックを克服するのに役立つスケーラブルなツールとして強調する。 メカニズム分析とロバストネスチェックにより,LSMは専門家の会話から知識を有意義に学習し,抽出し,モデルや検索手法にまたがる発見が一般化された。

関連論文リスト

• LLM Inference Enhanced by External Knowledge: A Survey [16.319049759753106]
  本研究では,外部知識を用いた大規模言語モデル(LLM)の強化戦略について検討する。 比較分析では、解釈可能性、スケーラビリティ、パフォーマンスのトレードオフを強調しています。
  論文  参考訳（メタデータ） (2025-05-30T09:08:51Z)
• UniKnow: A Unified Framework for Reliable Language Model Behavior across Parametric and External Knowledge [14.81530569173485]
  パラメトリックおよび外部知識にまたがる信頼性LM動作のための統一フレームワークUniKnowを紹介する。 UniKnowは、知識の衝突、気晴らし、不在状態などの知識シナリオにおける制御された評価を可能にする。
  論文  参考訳（メタデータ） (2025-02-19T11:49:23Z)
• What Makes An Expert? Reviewing How ML Researchers Define "Expert" [4.6346970187885885]
  専門」と「専門」を明示的に参照する学術出版物112件をレビューする。 専門知識はしばしば未定義であり、正式な教育以外の知識の形式はめったに求められない。 我々は、専門家が機械学習開発に関わった方法、専門知識の社会的構築、そして責任あるAI開発への意味について論じる。
  論文  参考訳（メタデータ） (2024-10-31T19:51:28Z)
• Internal and External Knowledge Interactive Refinement Framework for Knowledge-Intensive Question Answering [33.89176174108559]
  本稿では,IEKRと呼ばれる新たな内部知識と外部知識の対話的改良パラダイムを提案する。 LLM に “Tell me something about” のようなプロンプトを追加するだけで、関連する明示的な知識をレビューして、クエリに挿入して外部検索します。
  論文  参考訳（メタデータ） (2024-08-23T10:52:57Z)
• RECALL: A Benchmark for LLMs Robustness against External Counterfactual Knowledge [69.79676144482792]
  本研究の目的は,LLMが外部知識から信頼できる情報を識別する能力を評価することである。 本ベンチマークは,質問応答とテキスト生成という2つのタスクから構成される。
  論文  参考訳（メタデータ） (2023-11-14T13:24:19Z)
• "Merge Conflicts!" Exploring the Impacts of External Distractors to Parametric Knowledge Graphs [15.660128743249611]
  大規模言語モデル(LLM)は、パラメトリック知識として知られる事前学習中に広範な知識を取得する。 LLMは必然的にユーザとの対話中に外部知識を必要とする。 外部知識がパラメトリック知識に干渉した場合、LCMはどのように反応するのだろうか?
  論文  参考訳（メタデータ） (2023-09-15T17:47:59Z)
• ExpeL: LLM Agents Are Experiential Learners [57.13685954854463]
  実験学習エージェント(ExpeL)を導入し、パラメトリック更新を必要とせずにエージェント体験から学習できるようにする。 我々のエージェントは、経験を自律的に収集し、学習課題の集合から自然言語を用いて知識を抽出する。 推論において、エージェントは抽出された洞察と過去の経験をリコールし、情報的決定を行う。
  論文  参考訳（メタデータ） (2023-08-20T03:03:34Z)
• Knowledge Rumination for Pre-trained Language Models [77.55888291165462]
  本稿では,学習前の言語モデルが外部コーパスから検索することなく,関連する潜在知識を活用できるようにするための,Knowledge Ruminationと呼ばれる新しいパラダイムを提案する。 本稿では,RoBERTa,DeBERTa,GPT-3などの言語モデルに適用する。
  論文  参考訳（メタデータ） (2023-05-15T15:47:09Z)

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。