論文の概要: The Measurement Revolution? Credible Measurement and Inference in the Age of AI

• arxiv url: http://arxiv.org/abs/2608.23524v1
• Date: Mon, 24 Aug 2026 17:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.215812
• Title: The Measurement Revolution? Credible Measurement and Inference in the Age of AI
• Title（参考訳）: 計測革命 : AI時代における信頼度測定と推論
• Abstract要約: AIモデルは、テキストや画像などの構造化されていないデータを、低コストで構造化変数に変換する。 これにより、ボトルネックは、現象のスケーラブルな尺度を見つけることから、多くの有望な指標の中から選択へと移行する。 我々は、AI生成変数に対する信頼できる推論には適切な設計の検証が必要であると論じる。
• 参考スコア（独自算出の注目度）: 8.204799574862864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) is transforming measurement in economics. AI models convert unstructured data, such as text and images, into structured variables at low cost, making previously prohibitive measurement feasible at scale. This shifts the bottleneck from finding any scalable measure of a phenomenon to choosing among many plausible ones, which may support different empirical conclusions. This review provides guidance for navigating that shift. We describe three stages at which AI enters the measurement pipeline---discovery, construct definition, and observation---and what each demands of researchers. We argue that credible inference with AI-generated variables requires appropriately designed validation: anchoring measurement to explicit criteria, rather than informal claims that a proxy is reasonable. We then examine how validation samples support valid inference even when AI predictions are arbitrarily biased, and what can be done when a random validation sample is unavailable.
• Abstract（参考訳）: 人工知能(AI)は経済学における計測を変革している。 AIモデルは、テキストや画像などの構造化されていないデータを、低コストで構造化された変数に変換する。 これにより、ボトルネックは、ある現象のスケーラブルな測度を見つけることから、様々な経験的な結論を裏付ける多くの有望な指標の中から選択することへとシフトする。 このレビューは、このシフトをナビゲートするためのガイダンスを提供する。 AIが測定パイプラインに入る3つのステージ - 発見、定義、観察 - と、研究者のそれぞれの要求について説明する。 プロキシが妥当であるという非公式な主張よりも、明示的な基準に測定を固定することである。 次に、AI予測が任意にバイアスされた場合でも、バリデーションサンプルが有効な推論をどのようにサポートするか、ランダムなバリデーションサンプルが利用できない場合に何ができるかを検討する。

関連論文リスト

• Debiased Inference for AI-Generated Data without Gold-Standard Labels: Identification via Multiple Imperfect Measurements [0.6875312133832079]
  多重不完全測定(DMM)を用いた偏り推論を提案する。 DMMは、複数のエラーが発生しやすいAI測定を組み合わせることで、ゴールドスタンダードラベルなしで、有効な下流推論を可能にする。 シミュレーションの結果,DMMは有効な推定値となり,正確な測定値を加えることで効率が向上することが示された。
  論文  参考訳（メタデータ） (2026-08-18T20:18:41Z)
• When Surveys Become Conversations: Adaptive Matrix Validation for AI-Assisted Interviews [1.3875545441867139]
  本稿では,AIを用いたインタビューを各応答者が完了する適応行列検証(AMV)を提案する。 推定器はまず、他の回答者の検証回答を使ってマッピングされた値を校正し、残りのエラーを修正する。 設計校正シミュレーション,アメリカン・タイム・ユース・サーベイ・エミュレーション,およびCHAMPS言語・オートプシー・ナラティブスタディは,スパース・バリデーションが精度を向上できることを示す。
  論文  参考訳（メタデータ） (2026-06-23T07:30:39Z)
• The Specification as Quality Gate: Three Hypotheses on AI-Assisted Code Review [0.0]
  AIが生成するコード品質の問題に対する業界の主要な反応は、AIレビュアーをデプロイすることだ。 本稿では,実行可能な仕様が存在しない場合,この応答は構造的に円形であると主張している。
  論文  参考訳（メタデータ） (2026-03-26T11:59:05Z)
• AI-Powered Bayesian Inference [0.0]
  ジェネレーティブ・人工知能(GAI)は、社会が知識の獲得についてどう考えるかを変えるインフレクティブ・ポイントを提唱している。 GAIは意思決定に対して完全に信頼できないが、意思決定パイプラインに統合可能な貴重な情報を提供することもある。 与えられたプロンプトに対する可変回答を利用して、AI予測の確実性を反映した事前分布を構築することができる。
  論文  参考訳（メタデータ） (2025-02-26T15:42:06Z)
• Variability Need Not Imply Error: The Case of Adequate but Semantically Distinct Responses [7.581259361859477]
  不確実性定量化ツールは、モデルが不確実である場合の応答を拒否するために使用できます。 我々は、モデルがAdequate Responses (PROBAR)に割り当てる確率を推定する。 ProBARはアンビグニティ/オープンエンディエントネスの異なるプロンプトでセマンティックエントロピーを上回ります。
  論文  参考訳（メタデータ） (2024-12-20T09:02:26Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• On the Possibilities of AI-Generated Text Detection [76.55825911221434]
  機械が生成するテキストが人間に近い品質を近似するにつれて、検出に必要なサンプルサイズが増大すると主張している。 GPT-2, GPT-3.5-Turbo, Llama, Llama-2-13B-Chat-HF, Llama-2-70B-Chat-HFなどの最先端テキストジェネレータをoBERTa-Large/Base-Detector, GPTZeroなどの検出器に対して試験した。
  論文  参考訳（メタデータ） (2023-04-10T17:47:39Z)
• Calibrating AI Models for Wireless Communications via Conformal Prediction [55.47458839587949]
  コンフォーマル予測は,通信システムにおけるAIの設計に初めて適用される。 本稿では,形式的校正保証付き決定を生成するAIモデルを得るための一般フレームワークとしての共形予測の適用について検討する。
  論文  参考訳（メタデータ） (2022-12-15T12:52:23Z)
• Auditing AI models for Verified Deployment under Semantic Specifications [65.12401653917838]
  AuditAIは、解釈可能な形式検証とスケーラビリティのギャップを埋める。 AuditAIは、画素空間の摂動のみを用いた検証の限界に対処しながら、検証と認定トレーニングのための制御されたバリエーションを得られるかを示す。
  論文  参考訳（メタデータ） (2021-09-25T22:53:24Z)
• AES Systems Are Both Overstable And Oversensitive: Explaining Why And Proposing Defenses [66.49753193098356]
  スコアリングモデルの驚くべき逆方向の脆さの原因について検討する。 のモデルとして訓練されているにもかかわらず、単語の袋のように振る舞うことを示唆している。 高い精度で試料を発生させる過敏性と過敏性を検出できる検出ベース保護モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-24T03:49:38Z)
• Counterfactual Invariance to Spurious Correlations: Why and How to Pass Stress Tests [87.60900567941428]
  素早い相関」とは、アナリストが重要とすべきでないと考える入力データのある側面に対するモデルの依存である。 機械学習では、これらにはノウ・イ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ」という特徴がある。 因果推論ツールを用いたストレステストについて検討した。
  論文  参考訳（メタデータ） (2021-05-31T14:39:38Z)
• Information-Theoretic Probing with Minimum Description Length [74.29846942213445]
  我々は,最小記述長 (MDL) を持つ情報理論探索法である標準プローブの代替案を提案する。 MDL Probingでは、ラベルを予測するためのプローブのトレーニングが、データを効果的に送信するための教えとして再キャストされる。 これらの手法は結果に一致し、標準プローブよりも情報的かつ安定であることを示す。
  論文  参考訳（メタデータ） (2020-03-27T09:35:38Z)

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。