論文の概要: How People Evaluate AI-, Expert-, and Peer-Style Financial Advice
- arxiv url: http://arxiv.org/abs/2608.09019v1
- Date: Mon, 10 Aug 2026 02:19:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.038076
- Title: How People Evaluate AI-, Expert-, and Peer-Style Financial Advice
- Title（参考訳）: 人々がAI、エキスパート、ピアスタイルの金融アドバイザを評価する方法
- Abstract要約: 専門家のアドバイスは10の結果の9つについて、AIのアドバイスよりも好意的に評価された。
専門家のアドバイスが最も反応が高く、AIラベルの下ではアドバイススタイルの違いが最も目立った。
これらの結果から,ファイナンシャル・アドバイザ・アセスメントは,属性とメッセージレベルのコミュニケーション手段によって共同で形成されていることが示唆された。
- 参考スコア（独自算出の注目度）: 12.349824122116688
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As generative AI increasingly becomes a common source of daily decision-making, including financial choices, it is critical to understand how people evaluate AI-generated financial advice. We conducted a preregistered vignette experiment (N = 285) in which substantive financial content---including facts, numerical values, recommendation direction, and core reasoning---was held constant while communication style varied across AI Financial Assistant (AI), Certified Financial Planner (Expert), and Online Community Forum (OC) advice. Displayed source attribution was independently manipulated through correctly labeled, unlabeled, and mislabeled conditions, allowing us to separate attribution effects from source-specific communication cues. Expert advice was rated more favorably than AI advice on 9 of 10 outcomes (|d|=0.20--0.47), and this advantage remained visible without source labels, where Expert advice outperformed AI advice on 8 of 10 outcomes (up to d=0.60). Correct labels added limited differentiation, whereas mislabeling increased ratings of AI advice for situational fit and overall quality (d=0.42 for each) and attenuated the Expert advantage in situational fit (d=-0.36). Descriptive analyses further showed that AI advice was most responsive to displayed attribution and, conversely, that advice-style differences were most visible under an AI label. These findings show that financial-advice evaluations are shaped jointly by displayed attribution and message-level communication cues. We position disclosure not as a neutral transparency mechanism, but as an interpretive frame whose accuracy and interaction with message cues can shape trust and reliance.
- Abstract（参考訳）: ジェネレーティブAIは、金融選択を含む日々の意思決定の共通情報源になりつつあるため、人々がAI生成の財務アドバイスをどのように評価するかを理解することが重要である。
我々は,AI (AI), Certified Financial Planner (Expert), Online Community Forum (OC) のアドバイスを交えて,情報,数値,推奨方向,および中核的推論を含む実体的財務内容が一定でありながら,コミュニケーションスタイルが一定であった,事前登録型ヴィグネット実験 (N = 285) を行った。
表示されたソース属性は、正しくラベル付けされ、ラベル付けされず、ラベル付けされていない状態で独立に操作され、ソース固有の通信手段から属性効果を分離することができる。
専門家のアドバイスは10結果中9点(|d|=0.20--0.47)のAIアドバイスよりも好意的に評価され、このアドバンテージはソースラベルなしでは見えず、専門家のアドバイスは10結果中8点(最大d=0.60点)でAIアドバイスよりも優れていた。
正確なラベルは限定的な差別化を加えたが、状況適合と全体的な品質(d=0.42)に対するAIアドバイスの評価の誤ラベルは増加し、状況適合におけるエキスパートの優位性を弱めた(d=-0.36)。
記述的分析により、AIアドバイスは、表示された属性に最も反応し、逆に、アドバイススタイルの違いは、AIラベルの下で最も顕著であることが示された。
これらの結果から,ファイナンシャル・アドバイザ・アセスメントは,属性とメッセージレベルのコミュニケーション手段によって共同で形成されていることが示唆された。
我々は、情報開示を中立的な透明性メカニズムではなく、メッセージキューとの精度と相互作用が信頼と信頼を形作る解釈フレームとして位置づける。
関連論文リスト
- Learning to Decide with AI Assistance under Human-Alignment [15.478223490614686]
我々は,AIと人間の信頼を完璧に一致させることで,学習者が期待される$O(sqrt|H| cdot Tlog Tlog Tlog T)の後悔を達成できることを示した。
まとめると、これらの結果は、アライメントがAIアシストで意思決定を行うための学習の複雑さを減少させることを示している。
論文 参考訳（メタデータ） (2026-05-12T18:42:49Z) - Trustworthy AI Suffers from Invariance Conflicts and Causality is The Solution [80.98492754957466]
公正性、堅牢性、プライバシ、説明可能性といった、信頼性の高いAI目標を同時に達成することは難しい。
本稿では、パフォーマンスにおけるトレードオフを理解しバランスをとるためには因果性が必要であると論じ、信頼できるAIの複数の目的について論じる。
論文 参考訳（メタデータ） (2026-05-04T14:26:28Z) - Beyond Rating: A Comprehensive Evaluation and Benchmark for AI Reviews [69.66583722746904]
私たちは、AIレビュアーを5次元にわたって評価する総合的な評価フレームワークであるBeyond Ratingを紹介します。
本稿では,専門家の不一致に対応するためのMax-Recall戦略を提案する。
提案したテキスト中心の指標は、特に弱みの議論のリコールであり、評価精度と強く相関している。
論文 参考訳（メタデータ） (2026-04-21T14:21:15Z) - Dynamic Trust Calibration Using Contextual Bandits [1.8563342761346613]
過剰な信頼は、AIが生成したアウトプットを疑わしいことなく受け入れることを可能にする。
不十分な信頼は、AIシステムから価値のある洞察を無視してしまう可能性がある。
現在、人間とAIの信頼度を測る決定的かつ客観的な方法は存在しない。
論文 参考訳（メタデータ） (2025-09-27T21:06:17Z) - When is using AI the rational choice? The importance of counterfactuals in AI deployment decisions [0.0]
偽造ミスは、AIデプロイメント決定者に対して不当な不利をもたらす可能性がある。
本稿では, 有効性評価に反実的な結果を含める方法について検討する。
論文 参考訳（メタデータ） (2025-04-04T14:59:29Z) - Bridging the Communication Gap: Evaluating AI Labeling Practices for Trustworthy AI Development [41.64451715899638]
EUエネルギラベルのようなフレームワークにインスパイアされたハイレベルなAIラベルは、AIモデルの特性をより透明にするために提案されている。
本研究は,4つの重要な研究課題に沿った質的なインタビューを通じて,AIラベリングを評価する。
論文 参考訳（メタデータ） (2025-01-21T06:00:14Z) - Aligning AI with Public Values: Deliberation and Decision-Making for Governing Multimodal LLMs in Political Video Analysis [48.14390493099495]
AIモデルが政治的トピックにどう対処すべきかは議論されているが、依然として困難であり、より優れたガバナンスが必要である。
本稿では、政治的に敏感なビデオを中心に、個人的および集団的な議論を通じて、大規模言語モデルのガバナンスについて検討する。
論文 参考訳（メタデータ） (2024-09-15T03:17:38Z) - Certification Labels for Trustworthy AI: Insights From an Empirical
Mixed-Method Study [0.0]
本研究は,有望なソリューションとしての認定ラベルを実証的に検討した。
ラベルがエンドユーザの信頼とAI使用意欲を大幅に向上させることができることを実証する。
しかし、認証ラベルに対するエンドユーザの好みと、AIの使用に対する信頼と意欲に対する影響は、高い評価のシナリオではより顕著であった。
論文 参考訳（メタデータ） (2023-05-15T09:51:10Z) - AI Reliance and Decision Quality: Fundamentals, Interdependence, and the Effects of Interventions [6.356355538824237]
私たちは、AIによる意思決定に関する現在の文献で、信頼と意思決定品質が不適切に混ざり合っていると論じています。
我々の研究は、AIによる意思決定における信頼行動と意思決定品質の区別の重要性を強調している。
論文 参考訳（メタデータ） (2023-04-18T08:08:05Z) - Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。
本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。
本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文 参考訳（メタデータ） (2021-01-24T05:40:29Z) - Trustworthy AI [75.99046162669997]
入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。
我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
論文 参考訳（メタデータ） (2020-11-02T20:04:18Z) - Effect of Confidence and Explanation on Accuracy and Trust Calibration
in AI-Assisted Decision Making [53.62514158534574]
ケース固有のモデル情報を明らかにする特徴が、信頼度を調整し、人間とAIのジョイントパフォーマンスを向上させることができるかどうかを検討する。
信頼スコアは、AIモデルに対する人々の信頼を校正するのに役立ちますが、信頼の校正だけでは、AI支援による意思決定を改善するには不十分です。
論文 参考訳（メタデータ） (2020-01-07T15:33:48Z)
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。