論文の概要: The Wisdom of Artificial Deliberative Crowds

• arxiv url: http://arxiv.org/abs/2609.22497v1
• Date: Fri, 18 Sep 2026 19:01:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.875016
• Title: The Wisdom of Artificial Deliberative Crowds
• Title（参考訳）: 人工知能の知恵
• Abstract要約: 我々は、人間の参加者が大規模言語モデルで使用するために以前使用していた3段階の審議パラダイムを適応する。 視覚的数値推定、機械学習論文のピアレビュー、人工知能エージェントによる隠れた悪意のある行動の検出、そして実際の予測市場に対するスポーツ予測の4つの領域で試行する。 ドメイン全体にわたって、議論は独立した反応の受動的集約を超えた集団的誤りを減らし、検討後の個人的判断はこの集団的利益を維持した。 これらの結果から, 汎用集約機構としての機械討論が確立され, 多様性が有効成分として指摘される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The aggregation of many lay estimates often outperforms individual expert judgment, a phenomenon known as the wisdom of crowds. While this is usually attributed to the independence of estimates, an even stronger effect arises through deliberation: averaging the consensus estimates of small deliberating groups outperforms the classical wisdom of crowds, with individual judgments themselves also becoming more accurate after deliberation. Whether these improvements transfer to large language models deliberating amongst themselves is unknown. Here we adapt a three-stage deliberation paradigm previously used with human participants for use with large language models from three different families, and test it across four domains of increasing real-world stakes: visual numerical estimation (Study 1), peer review of machine-learning papers (Study 2), detection of hidden malicious behavior by an artificial intelligence agent (Study 3), and sports forecasting against a real prediction market (Study 4). Across domains, deliberation reduced collective error beyond passive aggregation of independent responses, and post-deliberation individual judgments retained this collective gain. Notably, the advantage required model diversity: groups composed of clones of a single model did not benefit from deliberating. These results establish machine deliberation as a general-purpose aggregation mechanism, and point to diversity as an active ingredient.
• Abstract（参考訳）: 多くの推定値の集計は、群衆の知恵として知られる現象である個々の専門家の判断を上回っていることが多い。 これは通常、見積もりの独立に起因しているが、より強い効果は熟考によって生じる:小さな熟考グループの合意の見積もりを平均すると、群衆の古典的な知恵よりも優れ、個別の判断自体も熟考後により正確になる。 これらの改善が、自分たちで検討する大きな言語モデルに移行するかどうかは不明だ。 ここでは,3つの異なる家系の大規模言語モデルを使用するために,これまでヒトが使用していた3段階の議論パラダイムを適用し,視覚的数値推定(Study 1),機械学習論文のピアレビュー(Study2),人工知能エージェントによる隠された悪意ある振る舞いの検出(Study3),実際の予測市場に対するスポーツ予測(Study4)の4つの領域にまたがってこれを検証する。 ドメイン全体にわたって、議論は独立した反応の受動的集約を超えた集団的誤りを減らし、検討後の個人的判断はこの集団的利益を維持した。 1つのモデルのクローンで構成されたグループは、検討の恩恵を受けなかった。 これらの結果から, 汎用集約機構としての機械討論が確立され, 多様性が有効成分として指摘される。

関連論文リスト

• Toward Collective-Centric Evaluation of Preference Inference for Participatory Democracy [19.98446089883166]
  私たちは、90万以上の参加者、100万票、22の言語にまたがる4つのコンサルテーションという、その種の最大のデータセットをコントリビュートしています。 実験により, 予測精度に匹敵するモデルが, 集合構造を保存する程度で大きく異なることを示す。 この研究は、民主的な成果の完全性を損なうことなく、熟考をスケールするAIシステムの開発を支援することを目的としている。
  論文  参考訳（メタデータ） (2026-09-02T15:23:00Z)
• Wisdom of Crowds Through Myopic Self-Confidence Adaptation [1.1060425537315088]
  群衆の知恵は、集団の集団的判断や決定が集団メンバーの個人的判断や決定よりも正確であることを示す現象の包括的用語である。 本稿では,まず,世界の共通状態を非相関的かつ非バイアス的に測定するエージェントのグループについて考察する。 これらのエージェントは、フレンチ・デグルート力学(英語版)または反復的な意見プール(英語版)として社会学でよく知られる単純な非ベイズ学習規則に従って、見積もりを反復的に更新する。
  論文  参考訳（メタデータ） (2025-06-22T22:55:17Z)
• Perceptions of the Fairness Impacts of Multiplicity in Machine Learning [22.442918897954957]
  多重性 - 複数の良いモデルの存在 - は、いくつかの予測が本質的に任意のものであることを意味する。 マルチプライシティが機械学習フェアネスに対する利害関係者の認識にどのように影響するかを調査する。 この結果から,モデル開発者は公平性を維持するために,多元性を扱うことを意識すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-09-18T21:57:51Z)
• Mitigating Cognitive Biases in Multi-Criteria Crowd Assessment [22.540544209683592]
  クラウドソーシングにおけるマルチ基準アセスメントに関連する認知バイアスに着目した。 複数の異なる基準で目標を同時に評価するクラウドワーカーは、いくつかの基準の優位性や評価対象の世界的な印象による偏りのある応答を提供することができる。 評価基準間の関係を考慮に入れたベイズ意見集約モデルのための2つの具体的なモデル構造を提案する。
  論文  参考訳（メタデータ） (2024-07-10T16:00:23Z)
• Self-Distilled Disentangled Learning for Counterfactual Prediction [49.84163147971955]
  我々は、SD2$として知られる自己蒸留遠絡フレームワークを提案する。 情報理論を基礎として、複雑な相互情報推定器の設計を伴わずに、理論上独立に不整合表現を鳴らす。 人工と実世界の両方のデータセットを用いて実験を行い,本手法の有効性を確認した。
  論文  参考訳（メタデータ） (2024-06-09T16:58:19Z)
• Flexible social inference facilitates targeted social learning when rewards are not observable [58.762004496858836]
  グループは、個人が他人の成功から学べるときにより効果的にコーディネートする。 社会的推論能力は、このギャップを埋める助けとなり、個人が他人の基本的な知識に対する信念を更新し、観察可能な行動軌跡から成功することを示唆する。
  論文  参考訳（メタデータ） (2022-12-01T21:04:03Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)
• Plinko: A Theory-Free Behavioral Measure of Priors for Statistical Learning and Mental Model Updating [62.997667081978825]
  Plinko(リンク)は,参加者が利用可能なすべての結果に対してボール滴の分布を推定する行動課題である。 対象者は,確率分布の確率分布を中心にクラスタリングし,事前クラスタメンバシップは学習能力を示す可能性があることを示す。 我々は,個々の参加者が信頼できる表現であり,物理的に不可解な球滴分布に直面した場合,学習が阻害されないことを検証した。
  論文  参考訳（メタデータ） (2021-07-23T22:27:30Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)

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。