論文の概要: Designing Against Deskilling: Metacognitive Feedback Reduces Cognitive Offloading to LLM Assistants

• arxiv url: http://arxiv.org/abs/2609.20143v1
• Date: Thu, 17 Sep 2026 12:35:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.27194
• Title: Designing Against Deskilling: Metacognitive Feedback Reduces Cognitive Offloading to LLM Assistants
• Title（参考訳）: Deskilling に対する設計:メタ認知フィードバックは認知的オフロードを LLM アシスタントに還元する
• Abstract要約: AIへの認知的オフロードは、スキルを実践する機会を減らし、デスクライリングのリスクを生み出す。 そこで我々は,(1)ユーザのオフロードを明示するメタ認知的フィードバック,(2)LLM支援の少ない取り組みに基づく報酬という,オフロード決定を減らすための2つの介入を設計する。
• 参考スコア（独自算出の注目度）: 28.909535488004767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cognitive offloading to AI can reduce opportunities to practice skills, creating risks of deskilling. However, it remains unclear how to prevent deskilling without restricting access to AI. Here, we design two interventions to reduce offloading decisions: (1) metacognitive feedback that makes the implications of offloading for users explicit, and (2) an effort-based reward that incentivizes less extensive LLM assistance. We test both in a preregistered online experiment ($N = 704$) with a 2$\times$2 design and a no-AI control. The task was to practice fraction arithmetic with an LLM-based assistant that provided solutions only on explicit request, followed by an unaided test. Metacognitive feedback reduced answer offloading (OR $= 0.47$) and improved test performance (OR $= 1.51$). We found no evidence that the reward affected either outcome. Our results identify metacognitive feedback as a promising design choice to reduce cognitive offloading.
• Abstract（参考訳）: AIへの認知的オフロードは、スキルを実践する機会を減らし、デスクライリングのリスクを生み出す。 しかし、AIへのアクセスを制限することなく、どのようにデスクライリングを防げるかは不明だ。 そこで我々は,(1)ユーザのオフロードを明示するメタ認知的フィードバック,(2)LLM支援の少ない取り組みに基づく報酬という,オフロード決定を減らすための2つの介入を設計する。 どちらも、事前登録されたオンライン実験(N = 704$)で、2$\times$2とno-AIコントロールを使ってテストします。 そのタスクは、明示的な要求にのみソリューションを提供するLLMベースのアシスタントで分数演算を実践し、その後、未確認のテストを行った。 メタ認知フィードバックは、回答のオフロード(or $= 0.47$)を減らし、テストパフォーマンス(or $= 1.51$)を改善した。 その報酬がどちらの結果にも影響を及ぼす証拠は見つからなかった。 メタ認知フィードバックは,認知的オフロードを減らすための設計選択として期待できる。

関連論文リスト

• Beyond Binary Rewards: A Comparative Study of Reward Design for Reinforcement Unlearning [18.91502176461499]
  機械学習は、訓練された言語モデルからの特定の知識を、完全なリトレーニングなしで取り除こうとする。 最近の研究は、未学習をReinforcement Learning with Verifiable Rewards (RLVR)問題として再考している。 報奨設計が強化アンラーニングフレームワークにおける非学習効率に与える影響について検討する。
  論文  参考訳（メタデータ） (2026-07-30T10:15:59Z)
• Self-CTRL: Self-Consistency Training with Reinforcement Learning [45.9704217495657]
  自身の振る舞いを忠実に記述した言語モデル(LM)は、ユーザがより容易に監査、理解、信頼することができる。 本稿では,LMの自己説明と関連する入力に対する動作の一貫性を最適化する自己整合性学習(Self-CTRL)について述べる。
  論文  参考訳（メタデータ） (2026-06-16T17:59:40Z)
• The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks [39.088619511248986]
  認知学的に単純なタスクにAIを使う傾向について検討し、その信頼性が十分に評価されているかどうかを評価する。 たとえ効率が悪くても、AIを使う人が多いことがわかりました。 我々の結果は、AIを使うかどうかという人々の選択のメカニズムとバイアス、および過度なフィードバックループのリスクを浮き彫りにした。
  論文  参考訳（メタデータ） (2026-05-21T16:28:20Z)
• Mitigating "Epistemic Debt" in Generative AI-Scaffolded Novice Programming using Metacognitive Scripts [0.0]
  制限のないAIは、初心者にスキーマ形成に必要な固有の認知負荷をアウトソースするように促す。 成功しているビブコーダが自然に自己スケーリングを行い、契約者ではなくコンサルタントとしてAIを扱います。 今後の学習システムは,保守不能なコードの大量生産を防止するためにメタ認知摩擦を強制する必要がある。
  論文  参考訳（メタデータ） (2026-02-22T21:25:04Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)
• Multi-Agent Imitation Learning: Value is Easy, Regret is Hard [52.31989962031179]
  我々は,エージェント群を協調させようとする学習者の視点で,マルチエージェント模倣学習(MAIL)問題を研究する。 MAILの以前の作業のほとんどは、基本的には、デモのサポート内で専門家の振る舞いにマッチする問題を減らすものです。 エージェントが戦略的でないという仮定の下で、学習者と専門家の間の価値ギャップをゼロにするのに十分であるが、戦略的エージェントによる逸脱を保証するものではない。
  論文  参考訳（メタデータ） (2024-06-06T16:18:20Z)
• Intention Analysis Makes LLMs A Good Jailbreak Defender [79.4014719271075]
  我々は,シンプルかつ高能率な防衛戦略,すなわち意図分析(mathbbIA$)を提示する。 $mathbbIA$ は LLM 固有の自己修正をトリガーし、2段階のプロセスを通じて能力を向上させる。 さまざまなjailbreakベンチマークの実験によると、$mathbbIA$は一貫して応答の有害性を著しく低減できる。
  論文  参考訳（メタデータ） (2024-01-12T13:15:05Z)
• Explanations Can Reduce Overreliance on AI Systems During Decision-Making [12.652229245306671]
  我々は、AIの説明に携わるか否かを戦略的に選択し、AIの説明が過信を減少させるシナリオが存在することを示した。 我々は迷路タスクのコストと利益を操作し、参加者は迷路の出口を見つけるためにシミュレーションAIと協力する。 文献で見いだされた無効効果のいくつかは、AIの予測を検証するコストを十分に削減していない説明によるものである可能性が示唆された。
  論文  参考訳（メタデータ） (2022-12-13T18:59:31Z)
• Semi-supervised reward learning for offline reinforcement learning [71.6909757718301]
  トレーニングエージェントは通常、報酬機能が必要ですが、報酬は実際にはほとんど利用できず、エンジニアリングは困難で手間がかかります。 限定されたアノテーションから学習し,ラベルなしデータを含む半教師付き学習アルゴリズムを提案する。 シミュレーションロボットアームを用いた実験では,動作のクローン化が大幅に向上し,真理の報奨によって達成される性能に近づいた。
  論文  参考訳（メタデータ） (2020-12-12T20:06:15Z)

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。