論文の概要: Does Rank Still Matter? Position Bias When AI Agents Shop on Our Behalf
- arxiv url: http://arxiv.org/abs/2608.22697v1
- Date: Mon, 24 Aug 2026 01:22:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.829744
- Title: Does Rank Still Matter? Position Bias When AI Agents Shop on Our Behalf
- Title（参考訳）: ランクはまだまだ重要か? AIエージェントが買い物をするときのポジションバイアス
- Abstract要約: 消費者は検索結果ページ全体を一度に取り込むことができるAIエージェントに検索を委譲している。
4つの大きな言語モデルと人間のフィールドデータを比較した。
エージェント検索では、検索結果ページに表示される属性は、その中の配置よりも重要である。
- 参考スコア（独自算出の注目度）: 1.578081936353233
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Search rankings are valuable because human attention is scarce and sequential. Higher-placed alternatives are easier to find, so they are examined and bought more often. Consumers are now delegating search to AI agents that can ingest an entire results page at once. Randomizing the order of one hundred hotel listings across 5,000 AI agent sessions, we compare four large language models against human field data. AI agents search more deeply than humans and never decline to buy. Position still predicts which listings are inspected, but weakly and non-monotonically: the middle of a results page has the lowest probability of inspection, not the bottom. Position reaches the choice stage for some models and not others, a heterogeneity that tracks neither provider nor capability. All models nonetheless converge on the same undominated listing. For agentic search, the attributes displayed on a results page matter more than placement within it.
- Abstract（参考訳）: 人間の注意が乏しく、連続しているため、検索ランキングは価値がある。
より高い配置の代替品は見つけやすく、検査や購入が頻繁に行われる。
消費者は現在、検索結果ページ全体を一度に取り込むことができるAIエージェントに検索を委譲している。
5000件のAIエージェントセッションで100件のホテルリストの注文をランダムにすると、4つの大きな言語モデルと人間のフィールドデータを比較します。
AIエージェントは人間よりも深く検索し、決して購入を辞退しない。
ポジションはまだどのリストが検査されるかを予測するが、弱く単調で、結果ページの中央は検査の可能性が低く、下位ではない。
ポジションは一部のモデルや他のモデルでは選択段階に達し、プロバイダも能力も追跡しない異質性である。
にもかかわらず、全てのモデルは同じ支配的でないリストに収束する。
エージェント検索では、検索結果ページに表示される属性は、その中の配置よりも重要である。
関連論文リスト
- From Inertia to Objectivity: Improving Deep Research Agents with Noise Isolation [20.84056672956731]
ディープリサーチタスクは、繰り返し発生する障害モードを露呈する: エージェントがクエリ、プラン、中間的な結論を生成すれば、後になって同じアクションの結果を判断すると、それはより客観的になる。
IBISベンチマークでは,モデルが先行動作の結果を評価しているかどうかを検証しながら,探索観測を制御している。
モデルが先行する探索ステップを「所有」する場合, 自己権限の行動履歴がその後の判断を体系的に歪めてしまうことが示唆された。
論文 参考訳（メタデータ） (2026-08-24T09:50:24Z) - Matched Outcomes, Divergent Gaze: How Foveated MLLMs Search Compared to Humans [50.71222402701153]
目標指向検索(COCO-Search18)における3つの汎用大言語モデル(MLLM)と人間の眼球運動スキャンパスを比較した。
いずれも低エントロピー、大振幅、自己整合性のスキャンパスであり、2人の人間が互いに同意するよりもはるかに近い。
このギャップは、回答アライメントとサリエンシのメトリクスが測定できないプロセス軸の上に置かれている。それらが見逃しているため、そのような指標は人間のようなビジョンを証明できない。ゼロショットモデルは結果と空間的疑問に適合するが、時間的、プロセスレベルではない。
論文 参考訳（メタデータ） (2026-08-17T12:54:39Z) - From Product Search to Preference Articulation: The Economics of Agentic Commerce [0.6226609932118123]
Generative AIは、消費者が製品発見をAIエージェントに委譲する、デジタルコマースをブラウジングからエージェント検索にシフトしている。
嗜好複雑性は, 探索前に明瞭化が難しいが, 検査時に容易に評価できる満足度関連次元の数である。
消費者は限定的な注意を払って検索強度を選択する:手動で検査された製品やエージェントによる好みの抑止深度を選択する。
論文 参考訳（メタデータ） (2026-08-09T01:09:24Z) - Can AI agents conduct open-ended AI research? Early evidence from two case studies [16.75408134467252]
エージェントがオープンエンドAI研究を実行できるかどうかの証拠は薄い。
現在の評価では、オープンエンドの調査を除外する狭いタスクでテストエージェントをテストするか、あるいは盲目のピアレビューにAI生成論文を提出する。
我々は、AI R&D自動化に向けた進歩を測定するための第3の方法を紹介します。
論文 参考訳（メタデータ） (2026-07-29T17:57:19Z) - Search Discipline for Long-Horizon Research Agents [0.0]
自動検索エージェントは、メートル法に対して科学的候補を提案し、評価し、選択する。
この非凝集構造に科学的妥当性が存在する場合、アグリゲーションはまず間違った候補をランク付けする。
論文 参考訳（メタデータ） (2026-06-09T23:55:31Z) - An External Fairness Evaluation of LinkedIn Talent Search [55.18656975953939]
LinkedInのTalent Searchランキングシステムのバイアスに対する、独立したサードパーティによる監査を行います。
我々は、性別と人種の2つの属性にまたがる潜在的なランキングバイアスに焦点を当てている。
我々の分析は、初期階級の少数派を過小評価していることを示している。
論文 参考訳（メタデータ） (2025-11-13T19:10:49Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z) - What Is Your AI Agent Buying? Evaluation, Implications and Emerging Questions for Agentic E-Commerce [1.998857368899133]
プラットフォームに依存しないエージェントと完全にプログラム可能なモックマーケットプレースを組み合わせたサンドボックス環境を開発した。
まず、集合的な選択を探索し、モデル間でモーダルな選択が異なることを明らかにする。
次に、合理性チェックと、製品の位置と属性の列挙に関するランダム化実験により、選択のドライバを分析します。
論文 参考訳（メタデータ） (2025-08-04T17:19:36Z) - AI Research Agents for Machine Learning: Search, Exploration, and Generalization in MLE-bench [76.23945148787051]
我々は、AI研究エージェントを候補ソリューションの空間をナビゲートする検索ポリシーとして形式化し、演算子を使ってそれらを反復的に修正する。
我々の最良の探索戦略と演算子の組み合わせは、MLEベンチライトの最先端の成果を達成し、カグルメダルを39.6%から47.7%に引き上げることに成功した。
論文 参考訳（メタデータ） (2025-07-03T11:59:15Z) - Tree Search for Language Model Agents [73.97960454223164]
対話型Web環境での探索と多段階計画を行うために,LMエージェントの推論時探索アルゴリズムを提案する。
我々のアプローチは、実環境空間内で機能する最優先木探索の一形態である。
現実的なWebタスクにおいて有効性を示すLMエージェントのための最初の木探索アルゴリズムである。
論文 参考訳（メタデータ） (2024-07-01T17:07:55Z) - Bandit Social Learning: Exploration under Myopic Behavior [54.767961587919075]
オンラインプラットフォーム上でのレビューによって動機付けられた社会学習のダイナミクスについて検討する。
エージェントはまとめて単純なマルチアームのバンディットプロトコルに従うが、各エージェントは探索を伴わずにミオプティカルに振る舞う。
このような振る舞いに対して,スターク学習の失敗を導出し,好意的な結果を提供する。
論文 参考訳（メタデータ） (2023-02-15T01:57:57Z) - Can Machines Imitate Humans? Integrative Turing-like tests for Language and Vision Demonstrate a Narrowing Gap [56.611702960809644]
3つの言語タスクと3つの視覚タスクで人間を模倣するAIの能力をベンチマークする。
次に,人間1,916名,AI10名を対象に,72,191名のチューリング様試験を行った。
模倣能力は従来のAIパフォーマンス指標と最小限の相関を示した。
論文 参考訳（メタデータ） (2022-11-23T16:16:52Z)
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。