論文の概要: Platform Adaptation Under Governance Interventions: Actor Best-Response Modeling and an External Public-Case Benchmark
- arxiv url: http://arxiv.org/abs/2608.15131v1
- Date: Sat, 15 Aug 2026 09:09:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.206486
- Title: Platform Adaptation Under Governance Interventions: Actor Best-Response Modeling and an External Public-Case Benchmark
- Title（参考訳）: ガバナンス介入によるプラットフォーム適応:アクターベストレスポンスモデリングと外部公開ケースベンチマーク
- Abstract要約: 本稿では,マルチアクター情報システムのトランジションとしてガバナンスの介入を評価するためのプラットフォーム適応モデルを開発する。
メディア収益化,ランキングシステム,検証,デリバリプラットフォーム,マーケットプレース,アプリストア,コミュニティプラットフォーム,クリエーターエコシステムを対象とする,72件の外部プラットフォームガバナンス事例を対象としたモデルの評価を行った。
- 参考スコア（独自算出の注目度）: 3.719121868494767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital platforms govern by changing rules: rankings, monetization thresholds, moderation standards, verification systems, disclosure requirements, appeal processes, and access policies. These interventions are rarely absorbed passively. Creators, sellers, advertisers, moderators, users, developers, and strategic operators adapt to the new reward surface. This paper develops a platform-adaptation model for evaluating governance interventions as transitions in adaptive multi-actor information systems. The model represents actor best response, strategic gaming opportunity, moderation burden, user-incentive movement, enforcement response, externality formation, and downstream platform stability. We evaluate the model on 72 external public platform-governance cases covering media monetization, ranking systems, verification, delivery platforms, marketplaces, app stores, community platforms, and creator ecosystems. Across 9 methods and 648 method-case evaluations, the full platform-adaptation simulator achieves mean adaptation quality of 0.836338, compared with 0.669731 for a risk-register baseline, 0.589457 for causal-loop analysis, 0.492750 for generic governance critique, 0.369492 for engagement-only optimization, and 0.331965 for baseline policy review. Paired comparisons show a win rate of 1.00 against all tested baselines and channel ablations. The contribution is an information-systems theory and measurement framework showing why platform governance evaluation fails when it treats policy rules as static controls rather than interventions into adaptive actor-response fields.
- Abstract（参考訳）: デジタルプラットフォームは、ランキング、収益化しきい値、モデレーション標準、検証システム、開示要件、アピールプロセス、アクセスポリシーのルールを変更することによって統治される。
これらの介入は受動的に吸収されることはめったにない。
クリエイター、売り手、広告主、モデレーター、ユーザー、開発者、戦略的オペレーターは新しい報酬面に適応する。
本稿では、適応型マルチアクター情報システムにおける遷移としてガバナンス介入を評価するためのプラットフォーム適応モデルを開発する。
このモデルは、アクターの最高の反応、戦略的ゲーミング機会、モデレーションの負担、ユーザーインセンティブの動き、強制的な反応、外部性の形成、下流プラットフォーム安定性を表す。
メディア収益化,ランキングシステム,検証,デリバリプラットフォーム,マーケットプレース,アプリストア,コミュニティプラットフォーム,クリエーターエコシステムを対象とする,72件の外部プラットフォームガバナンス事例を対象としたモデルの評価を行った。
9つのメソッドと648のメソッドケース評価において、フルプラットフォーム適応シミュレータは平均適応品質0.836338、リスク登録ベースライン0.669731、因果ループ分析0.589457、ジェネリックガバナンス批判0.492750、エンゲージメントのみ最適化0.369492、ベースラインポリシーレビュー0.33 1965を達成している。
ペア比較では、全ての試験されたベースラインとチャネルの短縮に対して1.00の勝利率を示す。
この貢献は、政策ルールを適応的なアクター応答フィールドへの介入ではなく静的制御として扱うときに、プラットフォームガバナンス評価が失敗する理由を示す情報システム理論と測定フレームワークである。
関連論文リスト
- Second-Order Policy Effects as State Transitions: A Source-Linked Benchmark for Policy Simulation [0.0]
政策シミュレーションのためのソースリンク型ベンチマークを提案する。
このベンチマークには、8つのドメインにわたる96のパブリック・ポリティクス・ケースが含まれている。
シミュレータは、リスク登録ベースラインの0.838と比較して0.945の平均ポリシー効果品質を実現している。
論文 参考訳（メタデータ） (2026-08-15T07:53:06Z) - Co-Evolving LLM Evaluators and Policies via DynamicRubric [67.2962847914162]
政策によって引き起こされたサンプルに対する評価者フィードバックによるポストトレーニングは、大きな言語モデルを改善するための主要なメカニズムとなる。
反応条件付き評価器であるDynamicRubricを提案する。
8Bバックボーンを用いた実験では、DynamicRubricは評価器のパフォーマンスを改善し、ベースラインよりも強力なポリシー管理を提供する。
論文 参考訳（メタデータ） (2026-07-22T12:35:40Z) - Autonomous Information Seeking: A Roadmap for Agentic Recommender Systems [64.88044474617854]
大規模言語モデルベースのエージェントをリコメンダシステムに迅速に統合することで、静的なランキングベースのパイプラインから、自律的でインタラクティブなシステムへのシフトが加速した。
この調査では、自律性のレベルとエージェントレコメンデータシステムの3つのコアパラダイムを基盤とした統合された分類法を紹介した。
論文 参考訳（メタデータ） (2026-07-05T17:55:05Z) - Reliable Self-Harm Risk Screening via Adaptive Multi-Agent LLM Systems [6.14481021961242]
有向非巡回グラフ(DAG)として構造化されたマルチエージェントパイプラインの統計的枠組みを提案する。
我々は各エージェントをカテゴリー決定としてモデル化し、より厳密なエージェントレベルのパフォーマンス信頼境界を導入する。
本研究では,2つのラベル付きデータセットを用いた行動保健システムの評価を行った。
論文 参考訳（メタデータ） (2026-04-24T01:52:54Z) - Evaluation of Agents under Simulated AI Marketplace Dynamics [72.02953516461965]
本稿では,情報アクセスシステムを競争市場への参加として評価するシミュレーションに基づくパラダイムを提案する。
我々はこの枠組みを定式化し、TRECのような評価キャンペーンにおける市場シミュレーション、メトリクス、最適化、導入に関する、ビジネスと経済に動機付けられた研究課題の概要を述べる。
論文 参考訳（メタデータ） (2026-04-15T15:01:36Z) - PolicySim: An LLM-Based Agent Social Simulation Sandbox for Proactive Policy Optimization [22.490419080772586]
PolicySimは、介入ポリシーの積極的な評価と最適化のためのLLMベースの社会シミュレーションサンドボックスである。
PolicySimは,マイクロレベルとマクロレベルの両方で,プラットフォームエコシステムを正確にシミュレートできることを示す。
論文 参考訳（メタデータ） (2026-03-20T05:20:39Z) - BAPO: Stabilizing Off-Policy Reinforcement Learning for LLMs via Balanced Policy Optimization with Adaptive Clipping [69.74252624161652]
適応クリッピング(BAPO)を用いたBAlanced Policy Optimizationを提案する。
BAPOはクリッピングバウンダリを動的に調整し、適応的に正と負のコントリビューションを再バランスさせ、エントロピーを保持し、RL最適化を安定化させる。
AIME 2024とAIME 2025ベンチマークでは、7B BAPOモデルがSkyWork-OR1-7Bのようなオープンソースモデルを上回っています。
論文 参考訳（メタデータ） (2025-10-21T12:55:04Z) - Navigating the Synchrony-Stability Frontier in Adaptive Chatbots [0.0]
コア設計の緊張を明示する計算評価フレームワークを提案する。
人間のログデータセットに対する明示的な適応ポリシーをシミュレートし比較する。
限定されたポリシーは、同期に控えめなコストで、安定性の大幅な向上を実現している。
我々は、フロンティアポリシーが命令のチャーンを減らし、ジャリングレジスタのフリップを減らしたことを示す「素早い正当性」を定量化する。
論文 参考訳（メタデータ） (2025-09-30T22:50:30Z) - Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。
学習シナリオにおける同値性に基づく単一のフレームワークを提案する。
我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
論文 参考訳（メタデータ） (2024-05-09T12:52:22Z) - Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。
合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
論文 参考訳（メタデータ） (2023-10-24T01:00:01Z)
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。