論文の概要: How Much Can AI Understand? Toward AI-Assisted Sensemaking of Collaborative Discussion in Groups with Shared History
- arxiv url: http://arxiv.org/abs/2608.27799v1
- Date: Fri, 28 Aug 2026 00:31:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.171657
- Title: How Much Can AI Understand? Toward AI-Assisted Sensemaking of Collaborative Discussion in Groups with Shared History
- Title（参考訳）: AIはどこまで理解できるのか? 共有履歴を持つグループにおける協調的議論のAI支援型センスメイキングに向けて
- Abstract要約: 協調的な議論のためのAI支援型センスメイキングモデルを提案する。
議論の議論だけでなく、その背景にある規範や参加者、そしてそれぞれの意味を与える文脈を捉えます。
高い解釈作業はユーザの負担を軽減するが、システムの判断への依存を増大させる。
- 参考スコア（独自算出の注目度）: 1.990573155686885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI tools that support collaborative discussion typically treat the discussion as a standalone task, focusing only on its content and setting aside the social context of the group having it. But it is groups with a shared history, with their own norms, hierarchies, and relationships, where the most tangled and complex discussions tend to arise. These discussions cannot be understood apart from that context, and AI that overlooks it risks failing to convey what a discussion means, or even misrepresenting it. Drawing on two studies of how experienced Wikipedia editors read and make sense of discussions, we propose an AI-Assisted Sensemaking Model for Collaborative Discussions, which captures not only a discussion's arguments but also the norms and participants behind it, along with the context that gives each meaning. In this model, the system supports the early stages of the sensemaking process, and the degree to which it performs interpretive work can range from low to high. We argue that higher interpretive work reduces the burden on users but increases their reliance on the system's judgment. We then discuss the risks of an insufficiently intelligible system, what it would take to make one more intelligible, and the safeguards it still requires.
- Abstract（参考訳）: 協調的な議論を支援するAIツールは、通常、議論をスタンドアロンのタスクとして扱い、コンテンツのみに集中し、それを持つグループの社会的コンテキストを脇に置いている。
しかし、共有された歴史を持つグループであり、それぞれの規範、階層、関係を持ち、最も絡み合った複雑な議論が生じる傾向にある。
これらの議論は、その文脈とは別には理解できないし、議論の意味を伝えることのできないリスクを見落としているAIや、それを誤表現することさえある。
筆者らは、ウィキペディアの編集者がどのように読み書きし、議論の意味を理解しているかを2つの研究に基づいて、議論の議論だけでなく、その背景にある規範や参加者を、それぞれの意味を与える文脈とともに、AIによる協調的議論のためのセンスメイキングモデルを提案する。
このモデルでは, 感覚形成過程の初期段階をサポートし, 解釈作業の程度は, 低から高まで様々である。
高い解釈作業はユーザの負担を軽減するが、システムの判断への依存を増大させる。
次に、不十分な無知なシステムのリスク、もう1つの無知なシステムを作るのに何が必要か、そしてそれに必要な安全策について議論する。
関連論文リスト
- Designing AI-Supported Focus Groups: A Role x Modality Playbook [1.3607388598209322]
我々は、役割(ツール、共同ホスト、ホスト)とモダリティ(テキスト、音声、エンボディ)によって組織されたAIの焦点グループ固有のプレイブックを提案する。
我々は、対話的トレードオフを特徴付け、AI支援フォーカスグループを方法論的構成として評価するためのオープンな質問を識別する。
論文 参考訳（メタデータ） (2026-06-10T09:16:26Z) - Bridging Context Gaps: Enhancing Comprehension in Long-Form Social Conversations Through Contextualized Excerpts [17.33980126041374]
我々は,小グループ会話における理解度の向上に焦点をあてた。
我々は、理解、可読性、共感を改善するために効果的な文脈化のためのアプローチを示す。
今後の作業をサポートするために、Human-annotated Salient Excerptsデータセットをリリースします。
論文 参考訳（メタデータ） (2024-12-28T01:29:53Z) - On scalable oversight with weak LLMs judging strong LLMs [67.8628575615614]
我々は、2つのAIが1人の裁判官を納得させようとする議論、すなわち1人のAIが1人の裁判官を説得し、質問をする。
大規模言語モデル(LLM)をAIエージェントと人間の判断のためのスタンドインの両方として使用し、判断モデルがエージェントモデルよりも弱いと判断する。
論文 参考訳（メタデータ） (2024-07-05T16:29:15Z) - The Language Labyrinth: Constructive Critique on the Terminology Used in
the AI Discourse [0.0]
この論文は、AIの議論は依然として「学習」、「学習」、「決定」といったメタファーに批判的な距離が欠如していることが特徴であると主張している。
その結果、責任や潜在的なユースケースに関するリフレクションが大幅に歪められる。
これは重要なコンピュータ科学と言語哲学の交わりにおける概念的な研究である。
論文 参考訳（メタデータ） (2023-07-18T14:32:21Z) - MindDial: Belief Dynamics Tracking with Theory-of-Mind Modeling for Situated Neural Dialogue Generation [62.44907105496227]
MindDialは、Mind-of-mindモデリングで位置決め自由形式の応答を生成できる、新しい対話型フレームワークである。
本研究では、話者の信念と話者の聴取者の信念を予測できる明示的なマインドモジュールを導入する。
筆者らのフレームワークは,提案手法と微調整モデルの両方に適用され,共通地盤アライメントとネゴシエーションの両方を含むシナリオで評価される。
論文 参考訳（メタデータ） (2023-06-27T07:24:32Z) - DiPlomat: A Dialogue Dataset for Situated Pragmatic Reasoning [89.92601337474954]
プラグマティック推論は、実生活における会話でしばしば起こる暗黙の意味を解読する上で重要な役割を担っている。
そこで我々は,現実的な推論と会話理解の場所に関するマシンの能力のベンチマークを目的とした,新しい挑戦であるDiPlomatを紹介した。
論文 参考訳（メタデータ） (2023-06-15T10:41:23Z) - Solving NLP Problems through Human-System Collaboration: A
Discussion-based Approach [98.13835740351932]
本研究の目的は,対話を通じて予測を議論・洗練するシステムのための,データセットと計算フレームワークを構築することである。
提案システムでは,自然言語推論タスクにおいて,最大25ポイントの精度向上が期待できることを示す。
論文 参考訳（メタデータ） (2023-05-19T16:24:50Z) - Discourse over Discourse: The Need for an Expanded Pragmatic Focus in
Conversational AI [0.5884031187931463]
会話の要約と他の会話型AIアプリケーションにおけるいくつかの課題について論じる。
本稿では,いわゆる星文による現実語の重要性について述べる。
AIの品質の基準は人間の行動と区別できないため、苦情を"Turing Test Triggers"とラベル付けします。
論文 参考訳（メタデータ） (2023-04-27T21:51:42Z) - Commonsense Reasoning for Conversational AI: A Survey of the State of
the Art [0.76146285961466]
論文では、関連するトレーニングデータセットをリストアップし、会話型AIにコモンセンスを含めるための主要なアプローチについて説明する。
本稿では,BlenderBot3とLaMDAの2つの最先端オープンダイアログモデルの限られたコモンセンス能力について予備観測を行った。
論文 参考訳（メタデータ） (2023-02-15T19:55:57Z) - Author Clustering and Topic Estimation for Short Texts [69.54017251622211]
同じ文書中の単語間の強い依存をモデル化することにより、遅延ディリクレ割当を拡張できる新しいモデルを提案する。
同時にユーザをクラスタ化し、ホック後のクラスタ推定の必要性を排除しています。
我々の手法は、短文で生じる問題に対する従来のアプローチよりも、-または----------- で機能する。
論文 参考訳（メタデータ） (2021-06-15T20:55:55Z) - Unsupervised Summarization for Chat Logs with Topic-Oriented Ranking and
Context-Aware Auto-Encoders [59.038157066874255]
本稿では,手動ラベル付きデータを用いずにチャット要約を行うrankaeという新しいフレームワークを提案する。
RankAEは、中心性と多様性に応じてトピックの発話を同時に選択するトピック指向のランキング戦略で構成されています。
消音自動エンコーダは、選択された発話に基づいて簡潔でコンテキスト情報に基づいた要約を生成するように設計されています。
論文 参考訳（メタデータ） (2020-12-14T07:31:17Z)
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。