論文の概要: Principal Trait Analysis: Towards Deriving "Skills" in Human-AI Collaboration
- arxiv url: http://arxiv.org/abs/2608.11460v1
- Date: Tue, 11 Aug 2026 21:49:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.392997
- Title: Principal Trait Analysis: Towards Deriving "Skills" in Human-AI Collaboration
- Title（参考訳）: 主な潮流分析 : 人間とAIのコラボレーションにおける「スキル」の創出を目指して
- Abstract要約: 大規模言語モデルによるエージェントは、ヒューマン・アーティフィティ・インテリジェンス(AI)のコラボレーションを通じて、職場でますます利用されている。
本稿では,会話のパターンから共通の特徴を抽出する主成分分析に着想を得たアルゴリズムであるプリンシパル・トレート・アナリティクスを提案する。
PTAから派生した特徴は,両設定の協調動作を説明する上で重要な特徴であり,作業結果の予測に有効であることがわかった。
- 参考スコア（独自算出の注目度）: 3.3894363032046506
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Model-powered agents are increasingly used in the workplace via human-artificial intelligence (AI) collaboration. In this new era of work, it is important to understand the kinds of prompting traits that contribute to task success. Moreover, we need to uncover key skills required for modern professionals and inform educators on how to foster these skills among students. Existing guidelines for human-AI collaboration are built from either top-down theory or context-specific observations of human-AI interactions. However, since LLM capabilities are rapidly improving, theory may not be able to explain emerging interaction patterns, and empirical guidelines may become obsolete quickly. In this work, we explore an automated, data-driven approach to uncover patterns, which we term traits, of effective human-AI interaction that are aligned with task outcomes. We propose Principal Trait Analysis, a Principal Component Analysis-inspired algorithm for deriving common traits from patterns in LLM conversations. Our algorithm uses LLM-based processing stages to analyze corpora of human-AI collaborative session traces, deriving common traits across the dataset and scoring each human collaborator's usage style by each trait. The approach also allows domain expertise to be injected during trait discovery and selects the most distinguishing traits to be those that exhibit the highest variance across collaborators. We evaluate PTA on two human-AI collaborative coding datasets, an educational setting (students working with an AI tutor) and a professional setting (developers working with an AI coding agent). We find that PTA-derived traits are significant in explaining collaborator behavior across both settings and can help predict task outcomes. However, whether traits qualify as skills remains to be seen, due to inconclusive results on generalizability and how user traits change over time.
- Abstract（参考訳）: 大規模言語モデルによるエージェントは、ヒューマン・アーティフィティ・インテリジェンス(AI)のコラボレーションを通じて、職場でますます利用されている。
この新しい仕事の時代には、タスクの成功に寄与する特性の促進の種類を理解することが重要である。
また、現代の専門職に必要な重要なスキルを明らかにし、これらのスキルを学生に育成する方法を教育者に伝える必要がある。
既存の人間とAIのコラボレーションのガイドラインは、トップダウン理論または人間とAIの相互作用の文脈特異的な観察から構築されている。
しかし, LLMの能力は急速に向上しているため, 理論は出現する相互作用パターンを説明できない可能性があり, 経験的ガイドラインは急速に時代遅れになる可能性がある。
本研究では,タスク結果に整合した効果的なヒューマン・AIインタラクションのパターンを明らかにするための,データ駆動型自動アプローチについて検討する。
本稿では,LLM会話のパターンから共通特徴を抽出する主成分分析に着想を得たアルゴリズムであるプリンシパル・トレート・アナリティクスを提案する。
我々のアルゴリズムは,LLMに基づく処理段階を用いて,人間とAIの協調セッショントレースのコーパスを解析し,データセットの共通特性を導出し,各特性による協調作業者の使用形態を評価する。
このアプローチは、特性発見中にドメインの専門知識を注入することを可能にすると同時に、コラボレータ間の最も分散度の高い特性を最も区別する特性を選択する。
我々は、PTAを2つの人間-AI協調コーディングデータセット、教育環境(AIチューターで作業する学生)、専門的環境(AIコーディングエージェントで作業する開発者)で評価する。
PTAから派生した特徴は,両設定の協調動作を説明する上で重要な特徴であり,作業結果の予測に有効であることがわかった。
しかし、汎用性や時間の経過とともにユーザ特性がどう変化するかという決定的な結果が得られていないため、特性がスキルとして資格を持つかどうかはまだわからない。
関連論文リスト
- What Work is AI Actually Doing? Uncovering the Drivers of Generative AI Adoption [1.4977849232424492]
本研究は,本質的なタスク特性が,AIシステムに業務を委譲するユーザの判断を促すかを検討する。
本研究は,実世界の生成AI利用を,本質的なタスク特性の包括的多次元フレームワークに結びつける最初の体系的証拠を提供する。
論文 参考訳（メタデータ） (2025-10-26T19:13:37Z) - How Do AI Agents Do Human Work? Comparing AI and Human Workflows Across Diverse Occupations [112.57167042285437]
エージェントが人間とエージェントの労働者の直接比較を初めて提示することで、エージェントがどのように人間の仕事をするかを考察する。
結果が88.3%速く、コストが90.4-96.2%低いことが判明した。
論文 参考訳（メタデータ） (2025-10-26T18:10:22Z) - A Comprehensive Perspective on Explainable AI across the Machine Learning Workflow [1.269939585263915]
Holistic Explainable Artificial Intelligence (HXAI)は、データ分析ワークフローのすべてのステージに説明を埋め込む、ユーザ中心のフレームワークである。
HXAIは6つのコンポーネント(データ、分析設定、学習プロセス、モデル出力、モデル品質、通信チャネル)を単一の分類体系に統合する。
112項目の質問銀行がこれらのニーズをカバーしています。
論文 参考訳（メタデータ） (2025-08-15T15:15:25Z) - Perceiving and Acting in First-Person: A Dataset and Benchmark for Egocentric Human-Object-Human Interactions [110.43343503158306]
本稿では、手動支援タスクを視覚言語アクションフレームワークに組み込み、そのアシスタントは、自我中心のビジョンとコマンドに従ってインストラクターにサービスを提供する。
この設定の下で、我々は、マルチモーダルデータの11.4時間1.2Mフレームを持つ、最初の大規模人・物・人間のインタラクションデータセットであるInterVLAを達成した。
我々は,エゴセントリックな人の動き推定,相互作用合成,および包括的分析による相互作用予測に関する新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2025-08-06T17:46:23Z) - Human-AI collaboration or obedient and often clueless AI in instruct, serve, repeat dynamics? [0.0]
本研究では,複雑な問題を解きながら人間とAIの相互作用を考察する。
発見は、協調的な交渉よりも反復的な順序付けによって特徴づけられる相互作用による指導的パターンが支配的であることを示している。
論文 参考訳（メタデータ） (2025-08-03T11:43:01Z) - AI, Humans, and Data Science: Optimizing Roles Across Workflows and the Workforce [0.0]
我々は、分析、生成、エージェントAIの可能性と限界を考慮し、データサイエンティストを増強したり、伝統的に人間のアナリストや研究者によってなされたタスクを引き受ける。
従来の調査分析が問題になったのは、統計ソフトウェアの使用が簡単になったことで、研究者が完全に理解できなかった分析を行えなくなった時だった。
論文 参考訳（メタデータ） (2025-07-15T17:59:06Z) - When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。
最初の大規模人間実験(N=118)を行い,その測定を行った。
2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
論文 参考訳（メタデータ） (2025-06-05T20:48:16Z) - A Task-Driven Human-AI Collaboration: When to Automate, When to Collaborate, When to Challenge [16.734679201317896]
性能を改善しつつ、適切な人間とAIの統合が有意義なエージェンシーを維持するかを示す。
この枠組みは、実用的で道徳的に健全な人間とAIのコラボレーションの基礎を築いた。
論文 参考訳（メタデータ） (2025-05-23T23:19:15Z) - Reflection on Data Storytelling Tools in the Generative AI Era from the Human-AI Collaboration Perspective [54.152639172274]
大規模生成AI技術は、ビジュアルおよびナレーション生成におけるそのパワーでデータストーリーテリングを強化する可能性がある。
我々は、最新のツールのコラボレーションパターンを、データストーリーテリングにおける人間とAIのコラボレーションを理解するための専用のフレームワークを使用して、以前のツールのパターンと比較する。
これらのAIテクニックのメリットと、人間とAIのコラボレーションへの影響も明らかにされている。
論文 参考訳（メタデータ） (2025-03-04T13:56:18Z) - Kolb-Based Experiential Learning for Generalist Agents with Human-Level Kaggle Data Science Performance [81.05882480184587]
本稿では,自律エージェントに対するVygotskyのZPDを用いて,Kolbの学習サイクルの計算フレームワークを提案する。
Agent Kは、KolbとVygotskyにインスパイアされた人間の認知学習をうまく統合する第1のAIシステムである。
金9個、銀8個、銅12個で、メダル獲得競争で金4個、銀4個を含む。エージェントKは、コルブとヴィーゴツキーにインスパイアされた人間の認知学習をうまく統合する第1のAIシステムである。
論文 参考訳（メタデータ） (2024-11-05T23:55:23Z) - Where Are We So Far? Understanding Data Storytelling Tools from the Perspective of Human-AI Collaboration [39.96202614397779]
最近の研究は、人工知能がデータストーリーテリングにおいて人間を支援し、強化する可能性を探っている。
人とAIのコラボレーションの観点から、データストーリーテリングツールを理解するための体系的なレビューがない。
本稿では,分析,計画,実装,コミュニケーションなどのツールが機能するストーリーテリングワークフローの段階と,人間とAIの役割という2つの視点から,既存のツールをフレームワークで検討した。
論文 参考訳（メタデータ） (2023-09-27T15:30:50Z) - 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)
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。