論文の概要: Value-Sensitive Delegation in Everyday AI Agent Use: Evidence from OpenClaw

• arxiv url: http://arxiv.org/abs/2609.22067v1
• Date: Fri, 18 Sep 2026 17:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.231614
• Title: Value-Sensitive Delegation in Everyday AI Agent Use: Evidence from OpenClaw
• Title（参考訳）: 日々のAIエージェント使用における価値敏感なデリゲーション - OpenClawからの証拠
• Abstract要約: Value Sensitive Designを使って、OpenClawの使用について、Redditの投稿73,093件を分析した。 21の値は、Autonomous、Dependable、Affordable Operationを含む6つのバリューグループを構成する。 各アスペクトのコーパスの共有に対して、値はエージェントの出力ではなく、実行時に設定された操作条件でクラスタ化される。
• 参考スコア（独自算出の注目度）: 14.03682209529777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Users increasingly delegate work to autonomous AI agents, yet evaluations typically measure task completion rather than the values users prioritize. Using Value Sensitive Design, we analyzed, with LLM assistance, 73,093 first-person Reddit posts about using OpenClaw, each for its human value, agent aspect, value fulfillment, and user outcome. The 21 values form six value groups, including Autonomous, Dependable, and Affordable Operation, Bounded Reach, Reviewability, and Equitable Access. Relative to each aspect's corpus share, values clustered not at the agent's outputs but at the operating conditions users set around a run. Values were usually met where users described what the agent delivered, in five of six groups, and mostly unmet where users described supervising it, in all six groups. We conceptualize this pattern as value-sensitive delegation. Supporting human values requires attention not only to what an agent accomplishes, but to the conditions users set around delegation, including cost, access, and oversight.
• Abstract（参考訳）: ユーザはますます、自律的なAIエージェントに仕事を委譲するが、評価は通常、ユーザが優先する値ではなく、タスクの完了を計測する。 バリューセンシティブデザイン(Value Sensitive Design)を用いて、私たちはLLMアシストを用いて、OpenClawの使用、エージェントの側面、バリューフルフィルメント、ユーザの成果について、73,093人のRedditの投稿を分析しました。 21の値は、Autonomous、Dependable、Affordable Operation、Bounded Reach、Reviewability、Equitable Accessの6つのバリューグループで構成されている。 各アスペクトのコーパスの共有に対して、値はエージェントの出力ではなく、実行時に設定された操作条件でクラスタ化される。 通常は、6つのグループのうち5つのグループで、そして、ほとんどは6つのグループで、ユーザーがそれを監督していると説明されている。 我々はこのパターンを価値に敏感なデリゲートとして概念化する。 人間の価値をサポートするには、エージェントが達成するものだけでなく、コスト、アクセス、監視など、ユーザがデリゲートに設定した条件にも注意が必要だ。

関連論文リスト

• Efficient Test-Time Adaptation through Human-AI Interaction [112.5131603022122]
  我々は,ヒト-エージェント間相互作用(TAHI)によるテスト時間適応を提案する。 エージェントを2つの高ユーティリティドメイン(書き込みと視覚的創造)の30人に適応させ、合計600のタスクをこなします。 エージェントは10タスク以内の単独作業の成功率を4.5-20.9%向上させる。
  論文  参考訳（メタデータ） (2026-09-03T17:33:18Z)
• PAUSE: A User-Centric Benchmark for Personal AI Assistants in Unified Service Environments [19.6693659617142]
  我々は、ステートフルでサービス統合された環境でパーソナルAIアシスタントを評価するための、ユーザ中心のベンチマークであるPAUSEを紹介する。 最先端のプロプライエタリモデルでさえ、ステートフルな推論と構成意識を必要とするシナリオで70%のタスク完了に達することができません。 また,コヒーレントなサービス環境のスケーラブルな生成を可能にするユーザ中心の合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-07-29T18:10:06Z)
• Talk, Evaluate, Diagnose: User-aware Agent Evaluation with Automated Error Analysis [3.3237915628874632]
  効果的なエージェント評価は、会話の質、効率性、およびエージェントエラーの体系的診断を取り入れて、正確性のみに留まらないと論じる。 エージェントの旋回効率と中間進捗を両立させる新しい指標を提案する。 TEDフレームワークは、モデルとユーザの専門知識レベルをまたいだエージェントパフォーマンスに関する新たな洞察を明らかにします。
  論文  参考訳（メタデータ） (2026-03-16T16:14:28Z)
• AmbiBench: Benchmarking Mobile GUI Agents Beyond One-Shot Instructions in the Wild [30.138230316314534]
  本稿では,一方向の指示から双方向の意図のアライメントへ評価をシフトするために,指示明細の分類を取り入れた最初のベンチマークであるAmbiBenchを紹介する。 厳密なレビュープロトコルの下で,25のアプリケーションにまたがる240の生態学的に有効なタスクの厳密なデータセットを構築した。 また,MLLM-as-a-judgeマルチエージェントアーキテクチャを利用した自動フレームワークであるMUSEを開発した。
  論文  参考訳（メタデータ） (2026-02-12T09:25:15Z)
• AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
  持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。 エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。 本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
  論文  参考訳（メタデータ） (2026-01-28T13:49:18Z)
• UserBench: An Interactive Gym Environment for User-Centric Agents [110.77212949007958]
  LLM(Large Language Models)ベースのエージェントは、推論とツールの使用において、目覚ましい進歩を遂げてきたが、ユーザと積極的にコラボレーションする能力はまだ未熟である。 マルチターン、選好駆動インタラクションにおいてエージェントを評価するために設計されたユーザ中心のベンチマークであるUserBenchを紹介する。
  論文  参考訳（メタデータ） (2025-07-29T17:34:12Z)
• Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents [110.25679611755962]
  現在の言語モデル駆動エージェントは、しばしば効果的なユーザ参加のメカニズムを欠いている。 Intention-in-Interaction (IN3) は明示的なクエリを通してユーザの暗黙の意図を検査するための新しいベンチマークである。 私たちは、タスクの曖昧さを積極的に評価し、ユーザの意図を問う強力なモデルであるMistral-Interactを経験的に訓練し、それらを実行可能な目標へと洗練させます。
  論文  参考訳（メタデータ） (2024-02-14T14:36:30Z)

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。