論文の概要: Understanding AI Provider Recommendations in Local Service Markets
- arxiv url: http://arxiv.org/abs/2609.18341v1
- Date: Wed, 16 Sep 2026 09:03:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.725325
- Title: Understanding AI Provider Recommendations in Local Service Markets
- Title（参考訳）: ローカルサービス市場におけるAIプロバイダの勧告を理解する
- Abstract要約: 我々は、米国大都市圏100の4つのレジストリ支援サービスドメインで、AIプロバイダのレコメンデーションを監査します。
検索なしでは、どちらのモデルも、Webが薄くカバーしているドメインのレコメンデーションを主に作っている。
検索なしでは、真のレコメンデーションは最大のメロに集中する。
- 参考スコア（独自算出の注目度）: 0.7792020418343021
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When someone asks an AI assistant which doctor to see or which firm to trust with their savings, the answer is a referral. We audit AI provider recommendations in four registry-backed service domains across the 100 largest U.S. metropolitan areas, matching every recommendation against the official registry for its domain (Medicare clinician and facility records, and SEC adviser disclosures), under three conditions: an open-weight model, a proprietary model without web search, and the same proprietary model with search. Without search, both models largely fabricate recommendations in the domains the web covers thinly. Only 4% of the open-weight model's recommended doctors and 11% of the proprietary model's match a clinician in the queried city, and the open-weight matches are name coincidences: its matched clinicians are no likelier to be primary-care doctors than names drawn at random from the registry. With search, 64-71% of recommendations in the same domains match a real provider. Search also changes who is recommended. Without it, recommended advisory firms carry SEC misconduct disclosures at 3.6 times the registry base rate, even after adjusting for firm size; with search, significantly below it. Restaurants, where quality and visibility are separately measurable, show a 3-5x review-count premium but a rating premium of at most a tenth of a star. Finally, search largely removes the metro-size penalty: without it, real recommendations concentrate in the largest metros; with it, match rates are similar across metro-size terciles. Whether an AI referral is trustworthy depends strongly on its retrieval configuration rather than on the underlying model alone, yet an answer produced without retrieval often carries no sign that its recommendations were never verified.
- Abstract（参考訳）: 誰かがAIアシスタントに、どの医師に、どの会社が彼らの貯蓄を信用するかを尋ねると、その答えは参考になる。
私たちは、オープンウェイトモデル、Web検索なしのプロプライエタリモデル、検索を伴う同じプロプライエタリモデルという3つの条件の下で、米国大都市圏の4つのレジストリ支援サービスドメインでAIプロバイダのレコメンデーションを監査します。
検索なしでは、どちらのモデルも、Webが薄くカバーしているドメインのレコメンデーションを主に作っている。
オープンウェイトモデルの推奨医師の4%と、クエリーシティにおけるプロプライエタリモデルの医師のマッチの11%に過ぎず、オープンウェイトの試合は、名前の一致であり、マッチしたクリニックは、登録簿からランダムに描かれた名前よりも、プライマリケアの医師に似ていない。
検索では、同じドメインのレコメンデーションの64-71%が実際のプロバイダと一致している。
検索対象も変更される。
それなしでは、推奨アドバイザリ会社は、規模を調整した後でも、SECの不正な開示を登録ベースレートの3.6倍に抑えている。
品質と視認性が別々に測定できるレストランでは、レビューカウントのプレミアムは3.5倍だが、スターの10分の1は格付けのプレミアムだ。
最後に、検索はメトロサイズのペナルティを大幅に取り除く: それなしでは、真のレコメンデーションは最大のメトロに集中する。
AI参照が信頼できるかどうかは、基盤となるモデルのみではなく、検索設定に強く依存するが、検索なしで生成された回答は、その推奨が検証されていないという兆候を示さないことが多い。
関連論文リスト
- Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation [64.51088225051959]
不均一なAIシステムは、最低コストで最も効果的に答えられる専門家にクエリをルーティングすることで、品質と効率を向上させることができる。
我々はこのトレードオフをPandoraのBoxの例として定式化した。
ガウス信号モデルの下では、得られたポリシーは、各専門家とインプットに対して、その価値見積の精算がそのコストに値するかどうかを決定する、クローズドフォームな情報表現を持つ。
論文 参考訳（メタデータ） (2026-08-20T17:54:37Z) - PatientAgentBench: A Benchmark Framework for Evaluating Patient-Facing Health AI Agents [5.247635961504091]
patientAgentBenchは、患者が直面するエージェント医療をベンチマークする。
シミュレーションされた患者と会話しながら、医療ツールのサンドボックスでエージェントにラップされた基礎モデルを評価する。
同じ1200のシナリオで、同じ4つのファミリーで10のモデルをベンチマークし、臨床的なギャップを見つけました。
論文 参考訳（メタデータ） (2026-07-28T09:24:04Z) - Who Owns the AI Recommendation? A Multi-Industry Empirical Map of Brand Category Ownership Across Large Language Models [0.0]
50のブランド、5つの業界、250のブランドなしカテゴリークエリにまたがる3,750の回答。
カテゴリー内の言及のシェアであるカテゴリー所有者指数(COI)、競合真空指数(CVI)、単一リーダを持たないカテゴリのフラグ付け、ブランド間の非対称置換の定量化である変位スコア(DS)の3つの探索指標を提案する。
論文 参考訳（メタデータ） (2026-06-22T09:10:54Z) - Whose hotel does the AI recommend? An algorithm audit of reputation signals in LLM-assisted hotel selection [0.0]
ランダムな選択に基づくコンジョイントを用いたアルゴリズム監査を行う。
アシスタントは、ゲスト格付け、レビューボリュームとリプライ、マネジメントレスポンス、チェーンアフィリエイト、価格、エコ認定、リストポジションが独立してランダム化されている5つのホテルの中から選択する。
論文 参考訳（メタデータ） (2026-06-15T07:47:31Z) - Persona Conditioning of Brand Recommendations in Retrieval-Augmented Commercial Chat: A Prominence-Stratified Cross-Provider Audit [0.0]
モデルが推奨するブランドの状況変化がどれほど強く影響するかを監査します。
監査サンプル2,000は、10のペルソナ x 8 の設計空間上で実行され、x 3 モデル構成 x N=10 のレポジトリがプロンプトされる。
AIブランドの認識のあらゆる測定は、クエリを提供する購入者ペルソナに条件を定めなければならない。
論文 参考訳（メタデータ） (2026-05-28T16:43:38Z) - Med-RewardBench: Benchmarking Reward Models and Judges for Medical Multimodal Large Language Models [57.73472878679636]
Med-RewardBenchは、医療報酬モデルと審査員を評価するために特別に設計された最初のベンチマークである。
Med-RewardBenchは、13の臓器系と8の臨床部門にまたがるマルチモーダルデータセットを特徴としている。
厳格な3段階のプロセスは、6つの臨床的に重要な次元にわたる高品質な評価データを保証する。
論文 参考訳（メタデータ） (2025-08-29T08:58:39Z) - Towards Explainable Doctor Recommendation with Large Language Models [4.745150727399434]
我々は、医師推薦をランキングタスクとして定式化し、大規模言語モデル(LLM)に基づくポイントワイドランキングフレームワークを開発する。
本フレームワークは, 疾患治療ペアの関連性に応じて, ゼロショット設定で医師をランク付けする。
本研究は,38組以上の疾患治療ペアからなる専門知識駆動型医師ランキングデータセットであるDrRankを構築した。
論文 参考訳（メタデータ） (2025-03-04T05:48:07Z) - CARES: A Comprehensive Benchmark of Trustworthiness in Medical Vision Language Models [92.04812189642418]
我々はCARESを紹介し,医療領域全体での医療LVLMの信頼性を評価することを目的とする。
我々は,Med-LVLMの信頼性を,信頼性,公正性,安全性,プライバシ,堅牢性,5次元にわたって評価する。
論文 参考訳（メタデータ） (2024-06-10T04:07:09Z) - Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。
我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。
どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
論文 参考訳（メタデータ） (2022-11-23T22:20:12Z) - Conditional Generation Net for Medication Recommendation [73.09366442098339]
医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。
医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。
提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-02-14T10:16:41Z)
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。