論文の概要: Trustworthy FinAInce: Unpacking How AI-Mediated Financial Advice is Judged

• arxiv url: http://arxiv.org/abs/2609.20989v2
• Date: Mon, 21 Sep 2026 02:42:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.183506
• Title: Trustworthy FinAInce: Unpacking How AI-Mediated Financial Advice is Judged
• Title（参考訳）: 信頼できるファイナンス:AIを使った金融広告がどう判断されるか
• Abstract要約: 専門家ラベルは、認識された情報源の知識を選択的に増加させ、意思決定コンテキストはリスクと安全性の評価を形成した。 エキスパートスタイルのアドバイスも、ソースラベルなしで表示されたときに最も好まれていた。
• 参考スコア（独自算出の注目度）: 12.349824122116688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As generative AI is increasingly used as a source of personal financial guidance, understanding how people appraise such advice is important for supporting appropriate reliance. We conducted a randomized vignette experiment with 285 U.S. adults across eight financial decisions, independently varying three advice styles---AI, expert, and online community---and displayed source labels while holding the underlying recommendation consistent. Advice style most strongly shaped message and safety appraisals, Expert labels selectively increased perceived source knowledge, and decision context primarily shaped risk and safety appraisals. These appraisals were associated with downstream judgments, with models explaining 69.2% of overall quality, 75.9% of trust, and 82.9% of intended reliance. Expert-style advice also remained most preferred when shown without source labels. Our findings have implications for understanding financial advice evaluation, distinguishing the roles of advice style and source labels, and designing financial AI that supports grounded evaluation rather than simply maximizing trust.
• Abstract（参考訳）: ジェネレーティブAIが個人金融ガイダンスの源泉としてますます利用されているため、人々がそのようなアドバイスをどう評価するかを理解することは、適切な依存を支持する上で重要である。 285人の米国成人を対象にランダムなヴィグネット実験を行い、その内容は、AI、エキスパート、オンラインコミュニティの3つのアドバイススタイルに独立して変化し、その基盤となるレコメンデーションを一貫して保持しながら、ソースラベルを表示した。 アドバイススタイルは、最も強く形づくられたメッセージと安全性の評価、専門家ラベルは、認識されたソース知識を選択的に増加させ、意思決定コンテキストは、主にリスクと安全性の評価を形作る。 これらの評価は下流での判断に関連しており、全体的な品質の69.2%、信頼の75.9%、意図した信頼の82.9%をモデルが説明していた。 エキスパートスタイルのアドバイスも、ソースラベルなしで表示されたときに最も好まれていた。 本研究の結果は, 財務アドバイス評価の理解, アドバイススタイルとソースラベルの役割の識別, 信頼度を最大化するのではなく, 基礎的評価を支援する財務AIの設計に影響を及ぼす。

関連論文リスト

• Epistemic Warrant for LLM Recommendations: Characterizing the Basis for Reliance When Ground Truth Is Unavailable [4.679756843190089]
  客観的な根拠の真理が得られない場合、個別の勧告の令状を特徴付ける決定レベル構造を導入する。 コンストラクトを現代手法で検証する。 このフレームワークは、客観的根拠真理が利用できない場合に、個別のレコメンデーションの保証を特徴付けるための実装可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-09-03T17:25:20Z)
• How People Evaluate AI-, Expert-, and Peer-Style Financial Advice [12.349824122116688]
  専門家のアドバイスは10の結果の9つについて、AIのアドバイスよりも好意的に評価された。 専門家のアドバイスが最も反応が高く、AIラベルの下ではアドバイススタイルの違いが最も目立った。 これらの結果から,ファイナンシャル・アドバイザ・アセスメントは,属性とメッセージレベルのコミュニケーション手段によって共同で形成されていることが示唆された。
  論文  参考訳（メタデータ） (2026-08-10T02:19:03Z)
• Beyond Rating: A Comprehensive Evaluation and Benchmark for AI Reviews [69.66583722746904]
  私たちは、AIレビュアーを5次元にわたって評価する総合的な評価フレームワークであるBeyond Ratingを紹介します。 本稿では,専門家の不一致に対応するためのMax-Recall戦略を提案する。 提案したテキスト中心の指標は、特に弱みの議論のリコールであり、評価精度と強く相関している。
  論文  参考訳（メタデータ） (2026-04-21T14:21:15Z)
• Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement [49.15348173246146]
  人間の合意を厳格に保証したLCMに基づく評価を提供するための原則的アプローチを提案する。 まず、信頼度評価手法は、ペア評価にモデル選好を不クリティカルに頼ってはならないことを提案する。 そして、この選択的な評価枠組みの下で、人的合意が確実に保証されることを示す。
  論文  参考訳（メタデータ） (2024-07-25T20:04:59Z)
• A Survey on Fairness-aware Recommender Systems [59.23208133653637]
  本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。 次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-06-01T07:08:22Z)
• MADDM: Multi-Advisor Dynamic Binary Decision-Making by Maximizing the Utility [8.212621730577897]
  逐次二元決定設定において,助言者の集合を最適に選択するための新しい戦略を提案する。 我々は、根拠となる真実にアクセスできず、助言者の信頼性に関する事前の知識もないと仮定する。
  論文  参考訳（メタデータ） (2023-05-15T14:13:47Z)
• DeepTrust: A Reliable Financial Knowledge Retrieval Framework For Explaining Extreme Pricing Anomalies [0.0]
  DeepTrustは、Twitter上の信頼できる金融知識検索フレームワークで、極端な価格変動を高速で説明する。 提案するフレームワークは,異常検出,情報検索,信頼性評価のための3つのモジュールから構成される。 このフレームワークは2021年4月29日と30日の2つの自己注釈付き金融異常、すなわちTwitterとFacebookの株価で評価されている。
  論文  参考訳（メタデータ） (2022-03-11T06:29:22Z)
• FEBR: Expert-Based Recommendation Framework for beneficial and personalized content [77.86290991564829]
  推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。 このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。 ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
  論文  参考訳（メタデータ） (2021-07-17T18:21:31Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)

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。