論文の概要: The User Side of AI Model Lifecycles: Evidence from the Keep4o Movement
- arxiv url: http://arxiv.org/abs/2608.16574v1
- Date: Mon, 17 Aug 2026 13:37:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.718645
- Title: The User Side of AI Model Lifecycles: Evidence from the Keep4o Movement
- Title（参考訳）: AIモデルライフサイクルのユーザ側: Keep4o運動の証拠
- Abstract要約: 本研究は, GPT-4oを取り巻くKeep4o運動を事例として用いた。
我々は2025年8月から2026年3月まで、Xに関する61,846件の原本を収集した。
我々は,議論のテーマ,GPT-4oを維持したいというユーザの理由,およびそれらが主張した特定の主張を分析した。
- 参考スコア（独自算出の注目度）: 3.4270663367482648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI model lifecycles are commonly understood as a series of technical and organizational processes. Yet once a model enters sustained use, subsequent changes can also affect established user practices and user value. Using the Keep4o movement around GPT-4o as a case, this study examines post-deployment AI model lifecycle issues from the user side. We collected 61,846 public original posts on X from August 2025 to March 2026 and, using a systematically developed coding framework and LLM-assisted content analysis, analyzed discussion themes, users' reasons for wanting to keep GPT-4o, and the specific claims they made. Findings show that the Keep4o discussion extended well beyond continued access to the model itself. It covered concrete experiences of use, model behavioral characteristics and how they changed, and management issues across different stages of the model lifecycle. Reasons for keeping GPT-4o reflected interactional and relational value formed through long-term use, as well as judgments about the adequacy of replacement and the reasonableness of related decisions. The corresponding claims further reflected users' specific expectations for model lifecycle arrangements and governance. Overall, the call to "keep GPT-4o" brought together different judgments about user value and governance concerns. These findings suggest that technical version succession does not necessarily amount to effective replacement on the user side. Post-deployment AI model lifecycle management therefore needs to consider whether established user value can be carried forward and how model changes affect actual use. This study thus provides user-side empirical evidence for AI model lifecycle management. It further shows that user experience can provide important information for identifying post-deployment impacts and should be incorporated into lifecycle evaluation and decision-making.
- Abstract（参考訳）: AIモデルのライフサイクルは、技術的および組織的なプロセスのシリーズとして一般的に理解されている。
しかし、モデルが継続使用に入ると、その後の変更は確立したユーザプラクティスやユーザ価値にも影響します。
本稿では,GPT-4oを取り巻くKeep4oの動きを事例として,ユーザ側からのデプロイ後のAIモデルライフサイクル問題について検討する。
我々は,2025年8月から2026年3月までに,Xに関する61,846件の公開オリジナル投稿を収集し,体系的に開発されたコーディングフレームワークとLCM支援コンテンツ分析を用いて,議論テーマ,GPT-4oを維持したいユーザの理由,それらの主張を分析した。
調査の結果、Keep4oの議論はモデル自体への継続的なアクセスをはるかに超えていた。
使用経験、モデル行動の特徴、それらがどのように変化したのか、そしてモデルライフサイクルの異なる段階における管理上の問題について触れた。
GPT-4oの維持の理由として、長期使用による相互作用値と関係値、および置換の妥当性と関連する決定の妥当性に関する判断が反映された。
対応する主張は、モデルのライフサイクルアレンジメントとガバナンスに対するユーザの期待をさらに反映している。
全般的に、"keep GPT-4o"への要求は、ユーザ価値とガバナンスに関するさまざまな判断をまとめました。
これらの結果は、技術的バージョン継承が必ずしもユーザ側の効果的な代替にはならないことを示唆している。
したがって、デプロイ後のAIモデルライフサイクル管理は、確立されたユーザ価値が前進可能かどうか、モデル変更が実際の使用にどのように影響するかを検討する必要がある。
そこで本研究では,AIモデルライフサイクル管理におけるユーザ側の実証的証拠を提供する。
さらに、ユーザエクスペリエンスは、デプロイ後の影響を特定する上で重要な情報を提供し、ライフサイクル評価や意思決定に組み込む必要があることを示しています。
関連論文リスト
- Evaluating the Hidden Costs of Personalization in Large Language Models [55.07935163900691]
我々は,(1)無関係なパーソナライゼーション,(2)不必要な文脈で個人情報を参照するモデル,(2)好みの絞り込み,(2)情報エコーチャンバーを補強するモデル,(3)覚醒バイアス,(3)モデルがユーザの意見に過度に同意するモデル,の3つのリスクを識別する。
我々は、現在のAIアシスタントの体系的な制限を明らかにするために、自動データ生成と調整されたメトリクスを備えた動的評価フレームワークであるPRISKを提案する。
論文 参考訳（メタデータ） (2026-08-28T20:05:12Z) - BehaviorBench: Modeling Real-World User Decisions from Behavioral Traces [53.55407626944686]
textscBehaviorBenchは、実世界の行動トレースからパーソナライズされた意思決定モデリングを評価するためのベンチマークである。
textscBehaviorBenchは、公開市場とオンチェーンの記録からウォレットレベルの意思決定履歴を再構築する。
2,000以上の評価ウォレットで、ベンチマークには141,445のBeliefインスタンスと1,485,972のTradeインスタンスが含まれている。
論文 参考訳（メタデータ） (2026-06-01T19:04:36Z) - VitaBench 2.0: Evaluating Personalized and Proactive Agents in Long-Term User Interactions [63.13827503828231]
我々は、長期ユーザーインタラクションにおけるパーソナライズされたプロアクティブなエージェント動作を評価するためのベンチマークであるVitaBench 2.0を紹介する。
結果は、最先端のモデルでさえ、現実世界のパーソナライゼーションは非常に困難であることを示している。
論文 参考訳（メタデータ） (2026-05-26T15:07:38Z) - Know You Before You Speak: User-State Modeling for LLM Personalization in Multi-Turn Conversation [40.40960192827234]
本稿では,パーソナライズを半可観測性に基づく意思決定として定式化するPUMAを提案する。
Pumaは、ユーザの隠された状態に対する信念を維持し、観察生成とアクション条件付き状態遷移のためのユーザ状態モデルを洗練する。
実験の結果,PUMAは強い応答品質を維持しながら,長時間の対話結果を改善することがわかった。
論文 参考訳（メタデータ） (2026-05-23T16:28:40Z) - Understanding the Implicit Biases of Design Choices for Time Series Foundation Models [90.894232610821]
時系列基礎モデル(TSFM)は、時系列予測と関連する時間的タスクのための潜在的に強力で汎用的なツールのクラスである。
彼らの行動はデザインの微妙な帰納的バイアスによって強く形作られています。
モデルやデータの性質によって、これらのバイアスが直感的であるか、非常に直感的であるかを示す。
論文 参考訳（メタデータ） (2025-10-22T04:42:35Z) - Measuring the stability and plasticity of recommender systems [0.4460583138505672]
本稿では,レコメンデーションモデルが再訓練されたときにどのように振る舞うかを研究する方法論を提案する。
その考え方は、過去のパターン – 安定性 – を維持する能力に応じてアルゴリズムをプロファイリングすることであり、一方で、変化 – 可塑性 – に適応することである。
予備的な結果は、アルゴリズムの種類によって安定性と可塑性のプロファイルが異なることを示唆している。
論文 参考訳（メタデータ） (2025-08-05T22:15:43Z) - Designing User-Centric Metrics for Evaluation of Counterfactual Explanations [11.141332955298562]
機械学習に基づく意思決定モデルは、人々の生活に大きな影響を与える決定を行うために、ますます使われています。
実用的なガイダンスを提供する手段として、CFE(Counterfactual Explanations)が人気を博している。
CFEの以前の研究のほとんどは、近接性のような人工的な評価指標に依存していた。
論文 参考訳（メタデータ） (2025-07-20T23:58:29Z) - Multi-agents based User Values Mining for Recommendation [52.26100802380767]
効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。
本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。
幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
論文 参考訳（メタデータ） (2025-05-02T04:01:31Z) - Understanding Endogenous Data Drift in Adaptive Models with Recourse-Seeking Users [6.782864450313782]
資源制約と競合力学の下で,ユーザの戦略的行動と意思決定システムとの相互作用について検討する。
本稿では,Fair-top-kとDynamic Continual Learningの2つの手法を提案する。
我々の研究は、アルゴリズムによる意思決定がより高い基準を意図せずに強化し、導入に対する内在的障壁を発生させる方法について、経済理論と結びついている。
論文 参考訳（メタデータ） (2025-03-12T12:17:34Z) - Black-Box Analysis: GPTs Across Time in Legal Textual Entailment Task [17.25356594832692]
本稿では,COLIEE Task 4 データセット上での GPT-3.5 (ChatGPT) と GPT-4 の性能解析を行う。
予備的な実験結果から,法的なテキスト・エンタテインメント・タスクの処理におけるモデルの強みや弱点に関する興味深い知見が得られた。
論文 参考訳（メタデータ） (2023-09-11T14:43:54Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z)
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。