論文の概要: Stranded credentials: how a skill-signaling market absorbed generative AI
- arxiv url: http://arxiv.org/abs/2608.17111v1
- Date: Mon, 17 Aug 2026 20:39:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.127564
- Title: Stranded credentials: how a skill-signaling market absorbed generative AI
- Title（参考訳）: スキルシグナリング市場がいかにして生成AIを吸収したか
- Abstract要約: 私たちは、最大のデータサイエンスコンペティションプラットフォームであるKaggleの2010-2026アーカイブを監査します。
444,698人が参加し、大会のメダルは、受賞後1年でほぼ完全にリーダーボードのパフォーマンスを予測している。
古いアップロードコンペティションメダルは、保持者の記録の残りをプロキシすることで、単独でのみ価値があるように見える。
- 参考スコア（独自算出の注目度）: 0.5809679595578517
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative AI can now perform many tasks that credentialing institutions count on to assess skill. During the AI era, do credentials retain their signaling value for subsequent performance? Mostly, yes. We audit the 2010-2026 archive of Kaggle, the largest data science competition platform, which ran two evaluation formats concurrently: upload-competitions, which directly score entrants' predictions computed on published data, and code-competitions, which score predictions by executing entrants' code on hidden data. Across 444,698 participations, competition medals predict subsequent leaderboard performance almost entirely in the first year after being earned, in both formats. Fresh medals retained most of their signaling value through the AI transition; credential stocks are only as informative as their replenishment. Although upload-competition medal stocks lost 82% of their informativeness, institutional stranding explains half to three quarters of the loss: upload-competitions had exited for reasons predating AI, and their frozen medal stock aged out under the pre-existing decay pattern. Old upload-competition medals look more valuable only in isolation, by proxying for the rest of the holder's record (e.g., experience). The measured changes are institutional rather than personal: an AI-like working style predicts performance similarly in both formats. The platform's official credential tiers, based on lifetime medal counts, discard 13-16% of the medals' information; an index weighting recent medals more heavily, built on pre-AI-era data alone, outperforms the official tiers in predicting AI-era performance. In conclusion, credentials are informative, perishable, institution-bound, and interdependent; sustaining their value under AI is a high-stakes, socio-economic problem of institutional design.
- Abstract（参考訳）: 生成AIは、認証機関がスキルを評価するために数えている多くのタスクを実行することができる。
AIの時代、資格証はその後のパフォーマンスのシグナル値を保持していますか?
おおむね、そうだ。
我々は、最大規模のデータサイエンスコンペティションプラットフォームであるKaggleの2010-2026アーカイブを監査し、2つの評価フォーマットを同時に実行した。
444,698人が参加し、コンペティションメダルは、受賞後1年でほぼ完全にリーダーボードのパフォーマンスを予測している。
新鮮なメダルはAIへの移行を通じて信号の価値の大半を保持しており、クレデンシャル・ストックはその補充と同じくらい情報的である。
アップコンペティション・メダルの株式は情報伝達力の82%を失ったが、機関のストランドリングは、その損失の4分の1を半分から3分の1と説明している。
古いアップロード競合メダルは、他の保持者の記録(例えば、経験)をプロキシすることで、単独でのみ価値のあるように見えます。
AIのような作業スタイルは、両方のフォーマットで同じようにパフォーマンスを予測します。
プラットフォームの公式認証レベルは、生涯のメダル数に基づいて、メダルの情報の13-16%を破棄する。AI以前のデータだけで構築された最近のメダルを重み付けするインデックスは、AI時代のパフォーマンスを予測する上で、公式レベルよりも優れている。
結論として、資格は情報的、透過的、制度に縛られた、相互依存的であり、その価値をAIの下で維持することは、制度設計の社会的・経済的問題である。
関連論文リスト
- One AI Signal, Many Human Judgments: A Bayesian Cascade Analysis of AI-based Credibility Indicators in Online Information Spread [39.0786847687173]
ソーシャルメディアプラットフォームは、ユーザーが誤情報を判断するのに役立つAIベースの信頼性指標をますます利用している。
本稿では,従来のベイズカスケードモデルを共有公開信号としてAIインジケータで拡張することにより,この設定のためのソーシャルラーニングレンズを提案する。
我々は、AIが公的な歴史の意味を変えることを示す。この視点を通して、AIが公的な歴史の意味を変えることを示す。
論文 参考訳（メタデータ） (2026-08-31T06:27:21Z) - When the Scaffold Stays On: AI, Practice Style, and Screening in Elite Skill Formation [0.5809679595578517]
生成AIは、学習者が単独で実践するタスクを完了することによって、短期的な生産性を高める。
よりシャープな疑問は、選択メカニズムが、意図的にAIを使用する代用ユーザと、それを使ってスキル開発を加速する補完ユーザという、共存する2つのタイプを分離できるかどうかである。
論文 参考訳（メタデータ） (2026-06-04T14:54:44Z) - Framing, Judging, Steering: An Assessable Competency Model for Teach-ing Students to Reason With Generative AI [47.027290803102666]
生産的AI利用を3つの評価可能なスキルに分解する能力モデルであるCoRe-3(Co-Reasoning)を提案する。
理論上のスキルを基盤として、5つのテスト可能な提案を述べ、それらをCoReasoningLabでインスタンス化します。
人為的な合意と成果が次々に行われます。私たちは、計測器、データ、プロトコルをリリースします。
論文 参考訳（メタデータ） (2026-06-04T10:25:31Z) - VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。
VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。
Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
論文 参考訳（メタデータ） (2026-06-03T20:02:35Z) - Auditing Significance, Metric Choice, and Demographic Fairness in Medical AI Challenges [44.72771355213698]
オープンな課題は、医療AIメソッドの比較ランキングのデファクトスタンダードになっています。
その重要性にもかかわらず、医療AIのリーダーボードには3つの永続的な制限がある。
RankInsightは、これらの制限に対処するためのオープンソースのツールキットです。
論文 参考訳（メタデータ） (2025-12-22T07:00:49Z) - Embracing Massive Medical Data [8.458637345001758]
大規模医療データからAIを訓練するオンライン学習手法を提案する。
提案手法は,データの特異性と予測の不確実性に基づいて,現在のAIモデルの最も重要なサンプルを同定する。
一般的なトレーニングパラダイムと比較して,本手法は連続的なデータストリームのトレーニングを可能にすることにより,データ効率を向上させるだけでなく,破滅的な忘れを緩和する。
論文 参考訳（メタデータ） (2024-07-05T17:50:30Z) - Leveraging AI Predicted and Expert Revised Annotations in Interactive
Segmentation: Continual Tuning or Full Training? [7.742968966681627]
人間の専門家はAIによって予測されるアノテーションを改訂し、その結果、AIはこれらの改訂されたアノテーションから学習することで予測を改善する。
破滅的な忘れのリスク--AIは、専門家の改訂されたクラスを使用して再訓練された場合にのみ、以前に学んだクラスを忘れる傾向があります。
本稿では,ネットワーク設計とデータ再利用という2つの視点からこの問題に対処する継続的チューニングを提案する。
論文 参考訳（メタデータ） (2024-02-29T18:22:12Z) - Unsupervised Dense Retrieval with Relevance-Aware Contrastive
Pre-Training [81.3781338418574]
関連性を考慮したコントラスト学習を提案する。
我々は、BEIRおよびオープンドメインQA検索ベンチマークにおいて、SOTAアン教師なしコントリバーモデルを一貫して改善する。
本手法は, 目標コーパスの事前訓練後, BM25に打ち勝つだけでなく, 優れた数発学習者として機能する。
論文 参考訳（メタデータ） (2023-06-05T18:20:27Z) - Integrating Rankings into Quantized Scores in Peer Review [61.27794774537103]
ピアレビューでは、レビュアーは通常、論文のスコアを提供するように求められます。
この問題を軽減するため、カンファレンスはレビュアーにレビューした論文のランキングを付加するように求め始めている。
このランキング情報を使用するための標準的な手順はなく、エリアチェアは異なる方法でそれを使用することができる。
我々は、ランキング情報をスコアに組み込むために、原則化されたアプローチを取る。
論文 参考訳（メタデータ） (2022-04-05T19:39:13Z) - An Exploration of Self-Supervised Pretrained Representations for
End-to-End Speech Recognition [98.70304981174748]
本稿では,事前訓練された音声表現の一般応用,高度なエンドツーエンド自動音声認識(E2E-ASR)モデルに焦点をあてる。
いくつかの事前訓練された音声表現を選択し、E2E-ASRのための様々なオープンソースおよび公開コーパスの実験結果を示す。
論文 参考訳（メタデータ） (2021-10-09T15:06:09Z) - Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。
我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。
実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
論文 参考訳（メタデータ） (2020-04-27T19:06:28Z)
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。