論文の概要: Whose readiness counts? Disagreement within and between sectors in perceived AI and robotics preparedness

• arxiv url: http://arxiv.org/abs/2608.23406v1
• Date: Mon, 24 Aug 2026 15:52:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.187962
• Title: Whose readiness counts? Disagreement within and between sectors in perceived AI and robotics preparedness
• Title（参考訳）: 誰が準備できるのか? 知覚されたAIとロボティクスの準備における分野内と部門間の差異
• Abstract要約: 準備は、個人の意思や監査された組織能力ではなく、コミュニティの準備と利用可能なリソースと認識される。 製造は平均的準備性が最も高いが、ショップフロアロボティクス、プロセス最適化AI、一般的な意思決定支援アプリケーションはそれぞれ異なる判断がなされている。 したがって、業界が均一に準備が整っているという証拠よりも、ポートフォリオの要約として、セクタのランク付けが最適である。
• 参考スコア（独自算出の注目度）: 3.364230370922355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI and Industry 4.0 readiness assessments often summarise preparedness using a single score for an organisation, application domain or sector. Those summaries can conceal disagreement about the same technology and variation among applications grouped under one sector label. We test how much information is lost through this aggregation using a card-based survey in which 982 respondents provided 15,200 readiness evaluations across 17 named AI and robotics challenges. Readiness is perceived community preparedness and available resources, not personal willingness or audited organisational capability. Respondents frequently disagreed about identical challenges, with card-level readiness standard deviations of $1.03$-$1.26$ on a five-point scale. A crossed decomposition attributes 32.7% of observed variation to stable respondent differences, 7.3% to differences among challenges, and 60.0% to response-level variation that also contains measurement error. Differences among challenge-family means account for only about 2% of variation, with substantially more variation among people, applications and person-family judgements. Manufacturing has the highest mean readiness, yet shop-floor robotics, process-optimisation AI and general decision-support applications are judged differently. Computer-science and AI/ML respondents report higher readiness than non-technical respondents across challenge families, whereas engineering respondents do not report higher Manufacturing readiness. Sector rankings are therefore best used as portfolio summaries rather than evidence that an industry is uniformly ready or behind. Readiness reporting should retain application-level disagreement, disclose whose judgements form the average, and consider ethics, cyber security, literacy and capability needs without collapsing them into a single score.
• Abstract（参考訳）: AIと産業 4.0 準備性の評価は、しばしば組織、アプリケーションドメイン、セクターの単一のスコアを使用して準備を要約する。 これらの要約は、1つのセクターラベルの下にグループ化されたアプリケーション間で同じ技術とバリエーションについて不一致を隠蔽することができる。 カードベースの調査では、982人の回答者が17名のAIとロボティクスの課題に対して15,200の準備性評価を行った。 準備は、個人の意思や監査された組織能力ではなく、コミュニティの準備と利用可能なリソースと認識される。 レスポンデントはしばしば同じ課題について意見が一致せず、カードレベルのレディネス標準偏差は5点スケールで1.03$-1.26$であった。 交差分解特性は、安定した応答差に32.7%、課題に7.3%、測定誤差も含む応答レベルの変化に60.0%である。 チャレンジファミリーの違いは、人、応用、個人家族の判断において、変化の約2%を占めることを意味している。 製造業は平均的準備性が最も高いが、ショップフロアロボティクス、プロセス最適化AI、一般的な意思決定支援アプリケーションはそれぞれ異なる判断がなされている。 コンピュータサイエンスとAI/MLの回答者は、挑戦家族の非技術者の回答者よりも高い準備ができていると報告している。 したがって、業界が均一に準備が整っているという証拠よりも、ポートフォリオの要約として、セクタのランク付けが最適である。 準備状況報告はアプリケーションレベルの不一致を保ち、どの判断が平均となるかを明らかにし、倫理、サイバーセキュリティ、リテラシー、能力の必要性を1つのスコアに分解することなく検討するべきである。

関連論文リスト

• Ready for What? Rethinking AI and Robotics Preparedness for Adoption and Policy [1.9428749720455656]
  我々は、982,200人の参加者を対象に、AIとロボティクスの課題について、カードベースの調査を繰り返し分析した。 参加者は複数の課題を評価したので、デザインは、課題固有の個人内差から安定した個人間差を分離する。 同じ応答体内では、通常よりも1つの点がより複雑になり、約0.21ポイントの可読性が低下する。
  論文  参考訳（メタデータ） (2026-08-18T08:44:36Z)
• (Human) Attention Is (Still) All You Need: Human oversight makes AI-assisted social science reliable [15.442870614597451]
  我々は、AI支援研究の信頼性は、モデル能力だけでなく、人間と機械の間で認知労働がどのように構成されているかにもかかっていると論じる。 我々は,この問題を,事前コミット,意思決定シーケンシング,説明責任,注意配分に基づく意思決定アーキテクチャであるHLER(Human-in-the-Loop Economic Research)を通じて研究する。
  論文  参考訳（メタデータ） (2026-06-11T03:22:24Z)
• Design and Evaluation of Multi-Agent AI Oracle Systems for Prediction Market Resolution [0.0]
  予測市場は、不確実な出来事を予測するために集合的なインテリジェンスを集約する。 既存のオラクルシステムは、高速だが不安定な自動化と、正確だがコストのかかる人間の仲裁とをトレードオフする。 マルチエージェントLLMアーキテクチャが単一モデルベースラインよりもオラクル分解能を向上できるかどうかを評価する。
  論文  参考訳（メタデータ） (2026-05-29T03:44:19Z)
• The Trust Paradox: How CS Researchers Engage LLM Leaderboards [49.627487948130444]
  リーダーボードは、標準化されたベンチマークを使用してAIモデルをランク付けするが、研究者の実際の実践をどのように形作るかは、実証的にも証明されていない。 我々は、実用的懐疑主義のほぼ普遍的なパラドックスを見出した:参加者はリーダーボードのランキングに深い不信を表明したが、彼らはそれらを粗悪な意思決定支援として使用し続けた。 これらの知見を,評価インフラと研究者の実際の使用方法とを一致させる具体的な設計勧告に翻訳する。
  論文  参考訳（メタデータ） (2026-05-27T18:09:26Z)
• OccuBench: Evaluating AI Agents on Real-World Professional Tasks via Language Environment Simulation [57.505743202759646]
  OccuBenchは10の業界カテゴリと65の専門ドメインにわたる100の現実のプロフェッショナルタスクシナリオをカバーするベンチマークである。 我々のマルチエージェント合成パイプラインは, 可溶性, 校正困難, 文書基底の多様性を保証した評価インスタンスを自動生成する。
  論文  参考訳（メタデータ） (2026-04-13T00:27:32Z)
• AIDABench: AI Data Analytics Benchmark [62.45908988324612]
  AIDABenchは、複雑なデータ分析タスクのAIシステムをエンドツーエンドで評価するためのベンチマークである。 AIDABenchは、質問応答、データビジュアライゼーション、ファイル生成という3つのコア機能ディメンションにまたがる600以上の多様なドキュメント分析タスクを含んでいる。 AIDABenchの11の最先端モデルを評価し、プロプライエタリ(Claude Sonnet 4.5、Gemini 3 Pro Previewなど)とオープンソース(Qwen3-Max-2026-01-23-Thinkingなど)の両方を対象とする。
  論文  参考訳（メタデータ） (2026-02-27T08:58:05Z)
• Encyclo-K: Evaluating LLMs with Dynamically Composed Knowledge Statements [78.87065404966002]
  既存のベンチマークは、主に質問レベルで質問をキュレートする。 ベンチマーク構築をゼロから再考するステートメントベースのベンチマークであるEncyclo-Kを提案する。
  論文  参考訳（メタデータ） (2025-12-31T13:55:54Z)
• GESA: Graph-Enhanced Semantic Allocation for Generalized, Fair, and Explainable Candidate-Role Matching [5.714160612687252]
  現在のアプローチは、セマンティックな柔軟性、永続的な人口統計バイアス、意思決定プロセスの不透明さ、動的ポリシー制約の下でのスケーラビリティの低下に悩まされている。 GESAは、ドメイン適応型トランスフォーマーの埋め込み、異種自己教師付きグラフニューラルネットワーク、対向的デバイアス機構、多目的遺伝的最適化、説明可能なAIコンポーネントの統合を通じて、これらの制限に対処する包括的フレームワークである。 大規模国際ベンチマークによる評価では、94.5%のトップ3アロケーション精度、多様性表現の37%改善、人口統計カテゴリー別0.98フェアネススコア、エンド・ツー・エンドのレイテンシーが優れた性能を示している。
  論文  参考訳（メタデータ） (2025-09-29T19:41:55Z)
• General Scales Unlock AI Evaluation with Explanatory and Predictive Power [57.7995945974989]
  ベンチマークはAIの進歩を導くものだが、汎用AIシステムには限られた説明力と予測力を提供している。 私たちは、一般的なAIベンチマークが実際に何を計測しているかを説明することができる、AI評価のための一般的な尺度を紹介します。 私たちの完全に自動化された方法論は、飽和しない一般的なスケールにインスタンス要求を配置する18の新しく作られたルーリックの上に構築されます。
  論文  参考訳（メタデータ） (2025-03-09T01:13:56Z)
• Bridging the Communication Gap: Evaluating AI Labeling Practices for Trustworthy AI Development [41.64451715899638]
  EUエネルギラベルのようなフレームワークにインスパイアされたハイレベルなAIラベルは、AIモデルの特性をより透明にするために提案されている。 本研究は,4つの重要な研究課題に沿った質的なインタビューを通じて,AIラベリングを評価する。
  論文  参考訳（メタデータ） (2025-01-21T06:00:14Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)

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。