論文の概要: The Race between Agentic AI Capabilities and Data Quality Control in Online Surveys
- arxiv url: http://arxiv.org/abs/2608.28597v1
- Date: Sun, 21 Jun 2026 20:50:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.396031
- Title: The Race between Agentic AI Capabilities and Data Quality Control in Online Surveys
- Title（参考訳）: オンライン調査におけるエージェントAI能力とデータ品質管理の競合
- Abstract要約: 我々は,エージェント型AIアーキテクチャがWebベースの調査を完了し,標準的な注意チェックをパスする方法について検討する。
我々は,複数のオープンソース言語とマルチモーダルモデルを評価し,能力とオーケストレーションの有効性について検討する。
- 参考スコア（独自算出の注目度）: 1.0892319490859261
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online surveys are a foundational data collection instrument in a variety of fields, with attention checks serving as critical guardians of response quality. However, the rapid emergence of agentic AI (goal directed systems powered by a large language model (LLM) brain and/or a multimodal processing unit with tool-augmented capabilities) raises new questions about the robustness of these safeguards. We investigate how well agentic AI architectures can complete web-based surveys and pass standard attention checks. We evaluate a single-agent architecture capable of multimodal input processing and tool-based web interaction on a controlled survey sandbox. We analyze the problem from two perspectives. From an attack perspective, we demonstrate how structural vulnerabilities such as exposed DOM metadata and predictable option encoding allow agents to resolve attention checks through structured parsing only. From a defense perspective, we implement a mitigation strategy of DOM metadata obfuscation to remove semantic cues in text-based questions. We evaluate multiple open-source language and multimodal models to study capability and orchestration effectiveness. Based on our evaluations, we offer perspectives on how to simultaneously meet the needs of empiricists and agentic AI researchers.
- Abstract（参考訳）: オンライン調査は様々な分野の基礎的なデータ収集手段であり、注意点検は応答品質の重要な保護者として機能する。
しかしながら、エージェントAI(大規模言語モデル(LLM)脳と/またはツール拡張機能を備えたマルチモーダル処理ユニットを動力とするゴール指向システム)の急速な台頭は、これらのセーフガードの堅牢性に関する新たな疑問を提起する。
我々は,エージェント型AIアーキテクチャがWebベースの調査を完了し,標準的な注意チェックをパスする方法について検討する。
我々は,マルチモーダル入力処理とツールベースのWebインタラクションが可能な単一エージェントアーキテクチャを,制御されたサーベイサンドボックス上で評価する。
我々はその問題を2つの観点から分析する。
攻撃の観点からは、公開DOMメタデータや予測可能なオプションエンコーディングなどの構造的脆弱性によって、エージェントが構造化解析のみで注意チェックを解決できることを実証する。
防衛の観点からは、DOMメタデータ難読化の緩和戦略を実装し、テキストベースの質問における意味的手がかりを除去する。
我々は,複数のオープンソース言語とマルチモーダルモデルを評価し,能力とオーケストレーションの有効性について検討する。
評価に基づいて、経験主義者とエージェントAI研究者のニーズを同時に満たす方法についての視点を提供する。
関連論文リスト
- Agentic and Generative AI for Open-Source Intelligence and Cyber Investigations: Taxonomy, Evaluation, Challenges, and Future Directions [24.28151698249644]
大規模言語モデル(LLM)とエージェントAIシステムが有望なソリューションとして登場している。
本調査は74研究を体系的にレビューし,4つのコントリビューションを行った。
論文 参考訳（メタデータ） (2026-07-03T11:42:29Z) - Beyond Monolithic Architectures: A Multi-Agent Search and Knowledge Optimization Framework for Agentic Search [56.78490647843876]
エージェント検索は、大規模言語モデル(LLM)が推論とツールの使用をインターリーブできるようにすることによって、複雑な情報を探すための有望なパラダイムとして登場した。
本稿では,bfM-ASKを提案する。bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK。
論文 参考訳（メタデータ） (2026-01-08T08:13:27Z) - The Evolution of Agentic AI in Cybersecurity: From Single LLM Reasoners to Multi-Agent Systems and Autonomous Pipelines [0.0]
サイバーセキュリティはエージェントAIのアーリーアダプターの1つになった。
この調査は、サイバーセキュリティにおけるエージェントAIの5世代分類を提示する。
論文 参考訳（メタデータ） (2025-12-07T05:10:16Z) - A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。
本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
論文 参考訳（メタデータ） (2025-10-10T06:56:50Z) - Cognitive Kernel-Pro: A Framework for Deep Research Agents and Agent Foundation Models Training [67.895981259683]
汎用AIエージェントは、次世代人工知能の基礎となるフレームワークとして、ますます認識されている。
現在のエージェントシステムはクローズドソースか、さまざまな有料APIやプロプライエタリなツールに大きく依存している。
我々は,完全オープンソースかつ(最大限に)フリーなマルチモジュールエージェントフレームワークであるCognitive Kernel-Proを提案する。
論文 参考訳（メタデータ） (2025-08-01T08:11:31Z) - Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。
本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
論文 参考訳（メタデータ） (2025-06-22T16:52:48Z) - Towards Human-Level Understanding of Complex Process Engineering Schematics: A Pedagogical, Introspective Multi-Agent Framework for Open-Domain Question Answering [0.0]
化学・プロセス産業では、プロセス・フロー・ダイアグラム(PFD)とパイプ・アンド・インスツルメンテーション・ダイアグラム(P&ID)が設計、建設、保守に不可欠である。
生成型AIの最近の進歩は、ビジュアル質問回答(VQA)のプロセス図の理解と解釈の約束を示している。
本稿では,階層的かつマルチエージェントなRetrieval Augmented Generation(RAG)フレームワークを用いた,セキュアでオンプレミスなエンタープライズソリューションを提案する。
論文 参考訳（メタデータ） (2024-08-24T19:34:04Z)
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。