論文の概要: Ethical LLM-Assisted Research: A Framework for Responsible Delegation, Verification, and Epistemic Value
- arxiv url: http://arxiv.org/abs/2608.23644v1
- Date: Mon, 24 Aug 2026 07:13:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.44602
- Title: Ethical LLM-Assisted Research: A Framework for Responsible Delegation, Verification, and Epistemic Value
- Title（参考訳）: 倫理的LCM支援研究:責任あるデリゲーション、検証、疫学価値のための枠組み
- Abstract要約: 大型言語モデル(LLM)は科学研究の日常的な道具になりつつある。
本稿では,そのようなデリゲートを解析するための規範的で概念的な枠組みを開発する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) are becoming routine instruments of scientific research, assisting with literature synthesis, hypothesis development, coding, and formal reasoning. Their use raises a central epistemic question: when parts of scientific reasoning are delegated to an artificial system, what conditions must remain under human control for the resulting knowledge claims to retain epistemic legitimacy and accountable authorship? This paper develops a normative and conceptual framework for analyzing such delegation. Scientific reasoning is treated as a distributed process in which the origin of a contribution may vary between human and machine, while responsibility for its acceptance into the scientific record remains human. The framework distinguishes content origin $O(g)$, completion of human verification $V(g)$, responsibility assignment $R(g)$, accountable human ownership $M(g)$, and epistemic outcome $E(g)$. These constructs separate the provenance of a claim from the process by which it is checked, the epistemic outcome of that checking, and the human responsibility attached to its disposition. The central proposition is that the ethical boundary of LLM-assisted research is determined primarily by adequate verification and accountable human ownership rather than by the degree of machine involvement itself. On this basis, the paper develops the notion of an \emph{epistemic audit}: a structured record of delegation, verification, provenance, and responsibility intended to make AI-assisted reasoning transparent and reviewable. The resulting framework provides a formal vocabulary for distinguishing responsible cognitive delegation from the transfer or neglect of epistemic responsibility in scientific research.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、文学合成、仮説開発、コーディング、フォーマル推論を補助し、科学研究の日常的な道具になりつつある。
科学的な推論の一部が人工的なシステムに委譲されると、その知識が認識の正当性と説明責任を保っているという主張に対して、どのような条件が人間の制御下にあるのか?
本稿では,そのようなデリゲートを解析するための規範的で概念的な枠組みを開発する。
科学的推論は、貢献の起源が人間と機械によって異なる可能性がある分散プロセスとして扱われるが、科学的記録への貢献の責任は人間のままである。
このフレームワークは、コンテンツの起源$O(g)$、人間の検証の完了$V(g)$、責任割り当て$R(g)$、説明可能な人間の所有権$M(g)$、疫学的結果$E(g)$を区別する。
これらの構成物は、クレームの証明と、それが検査される過程、その検査の疫学的結果と、その処分に付随する人間の責任とを区別する。
LLM支援研究の倫理的境界は、機械による関与の度合いよりも、主に適切な検証と説明可能な人間の所有によって決定される。
そこで本研究では,AI支援推論を透過的かつレビュー可能なものにすることを目的とした,委任,検証,証明,責任の構造化された記録という,‘emph{epistemic audit}’の概念を考案した。
結果として得られる枠組みは、科学研究における認識的責任の移譲や無視から責任ある認知的委任を区別するための公式な語彙を提供する。
関連論文リスト
- ECLAIR: A Causally-Grounded AI Framework for Scientific Discovery in Empirical Software Engineering [51.19819833971252]
本稿では,科学プロセスのすべての段階に大規模言語モデルを統合する,因果的基盤を持つAIフレームワークであるECLAIRを紹介する。
ECLAIRはLSMを因果推論の原理の下で活動する活発な科学的エージェントとして扱う。
論文 参考訳（メタデータ） (2026-08-03T14:47:03Z) - The Calibration Turn in AI-Assisted Research: A Conceptual and Methodological Framework for Evidence-Licensed Claims [0.9805949492148788]
本稿では,AI支援研究におけるエビデンスライセンスクレームの概念的枠組みを開発する。
仮説生成、モデルによる結果導出、外部検証、信条更新、クレームキャリブレーションの5つの演算子としてAI支援研究を表現している。
論文 参考訳（メタデータ） (2026-06-30T07:46:54Z) - AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery [184.2309450554096]
AutoResearchはAIを活用した科学ワークフロー自動化の開発スペクトルとして定義されている。
我々は、研究システムが制御、エビデンス、実行、検証、説明責任を再分配し、その分野を組織化する方法について分析する。
本稿では,5つの評価次元 – ノベルティ,インパクト,信頼性,証明 – を提案し,AutoResearchの自律性はドメイン条件であることを示す。
論文 参考訳（メタデータ） (2026-05-22T03:40:30Z) - Responsible Agentic AI Requires Explicit Provenance [17.89778248696407]
責任は広く議論されているにもかかわらず、主観的で非強制的な概念である。
現在のエージェントフレームワークは、それを割り当てるために必要な定量化され、トレース可能で、介入可能な証明を生成しません。
論文 参考訳（メタデータ） (2026-05-16T21:56:33Z) - Towards a Science of Collective AI: LLM-based Multi-Agent Systems Need a Transition from Blind Trial-and-Error to Rigorous Science [70.3658845234978]
大規模言語モデル(LLM)はマルチエージェントシステム(MAS)の機能を大幅に拡張した。
この急速な進歩にもかかわらず、この分野はいまだに実証的な試行錯誤に大きく依存している。
このボトルネックは、帰属の曖昧さに起因している。
本稿では,協調運転要因を体系的に同定する要因帰属パラダイムを提案する。
論文 参考訳（メタデータ） (2026-02-05T04:19:52Z) - Fluid Agency in AI Systems: A Case for Functional Equivalence in Copyright, Patent, and Tort [0.31061678033205636]
現代の人工知能(AI)システムには、人間の意識や能力が欠如している。
流体機関は貴重な出力を生成するが、帰属は崩壊する。
本条では,機能的等価性だけが教義を安定させると主張している。
論文 参考訳（メタデータ） (2026-01-06T01:06:07Z) - Exploring Syntropic Frameworks in AI Alignment: A Philosophical Investigation [0.0]
AIアライメントは、プロセスベース、マルチエージェント、開発メカニズムを通じて、シントロピックで理由対応のエージェントを設計するものとして再認識されるべきである、と私は主張する。
コンテンツベースの値仕様が構造的に不安定なように見える理由を示す、仕様トラップの議論を明確にする。
マルチエージェントアライメントのダイナミクスを理解するための情報理論の枠組みとして, シントロピーを提案する。
論文 参考訳（メタデータ） (2025-11-19T23:31:29Z) - Bayesian Epistemology with Weighted Authority: A Formal Architecture for Truth-Promoting Autonomous Scientific Reasoning [0.0]
本稿では,ベイジアン・エピステロジーとウェイト・オーソリティ(BEWA)を紹介する。
BEWAは、構造化された科学的主張に対する動的で確率論的に一貫性のある関数としての信念を運用している。
グラフベースのクレーム伝搬、権威的信頼性モデリング、暗号化アンカー、ゼロ知識監査検証をサポートする。
論文 参考訳（メタデータ） (2025-06-19T04:22:35Z) - Causal Responsibility Attribution for Human-AI Collaboration [62.474732677086855]
本稿では,人間のAIシステムにおける責任を体系的に評価するために,構造因果モデル(SCM)を用いた因果的枠組みを提案する。
2つのケーススタディは、多様な人間とAIのコラボレーションシナリオにおけるフレームワークの適応性を示している。
論文 参考訳（メタデータ） (2024-11-05T17:17:45Z) - Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
世界の知識と論理的推論の相互作用について検討する。
最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。
タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
論文 参考訳（メタデータ） (2024-10-31T12:48:58Z) - Incentive-Theoretic Bayesian Inference for Collaborative Science [59.15962177829337]
未知のパラメータについて、プライベートな先行エージェントが存在する場合の仮説テストについて検討する。
エージェントの戦略行動によって明らかにされる情報を活用する統計的推論を行う方法を示す。
論文 参考訳（メタデータ） (2023-07-07T17:59:01Z)
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。