論文の概要: Human-AI Collaboration for Multi-Line Task Adjustment Using Local Large Language Models and a Digital Twin

• arxiv url: http://arxiv.org/abs/2609.29061v1
• Date: Thu, 24 Sep 2026 05:48:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.73985
• Title: Human-AI Collaboration for Multi-Line Task Adjustment Using Local Large Language Models and a Digital Twin
• Title（参考訳）: 局所的大言語モデルとデジタル双対を用いた多言語タスク調整のためのヒューマンAI協調
• Abstract要約: 本研究では,局所的な大規模言語モデル,デジタルツイン,人的意思決定を統合したマルチラインタスク調整システムを提案する。 Propose-Verify-Decideワークフローオペレータの意図は、構造化された要件に変換し、一連の候補戦略を生成し、セマンティクス、シミュレーション実行、運用上の制約をチェックする。 この結果は、トレーサブルな戦略レビューワークフローを示しているが、全体的な信頼性や長期的な安定性は確立していない。
• 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: Automation systems must adapt to changing tasks, equipment states, and staffing conditions while providing evidence for human review. This study presents a multi-line task-adjustment system integrating a local large language model, a digital twin, and human decision-making. A Propose-Verify-Decide workflow translates operator intent into structured requirements, generates a bounded set of candidate strategies, and checks semantics, simulation execution, and operational constraints. Linked records preserve traceability from requests to verification evidence and decisions. Thirty fixed test records were evaluated using four virtual surgical-instrument sorting lines: 28 assessed the workflow and two assessed model generation. Eighteen workflow cases met expectations; autonomous strategy-workflow success was 3/10, and correct rejection of invalid inputs was 7/8. All four cases that passed preceding checks, produced complete evidence, and reached final engineering review (CP6) passed that review. Together with the correct blocking of strategies that failed throughput constraints, this supports the effectiveness of staged screening and confirmation within the tested setting. Mean placement-validation pass rate across eight simulation evidence records was 97.50%. Mean times to the first reviewable response and simulation verification, excluding startup, were 12.94 and 164.39 s, respectively. Remaining failures involved semantic distortion, incomplete evidence, and missed invalid inputs. The results demonstrate a traceable strategy-review workflow, but do not establish overall reliability or long-term stability. Broader testing and physical evaluation are needed to assess generalizability.
• Abstract（参考訳）: 自動化システムは、人間のレビューの証拠を提供しながら、タスク、機器の状態、スタッフの条件に適応する必要がある。 本研究では,局所的な大規模言語モデル,デジタルツイン,人的意思決定を統合したマルチラインタスク調整システムを提案する。 Propose-Verify-Decideワークフローは、オペレータの意図を構造化された要件に変換し、境界付けられた一連の候補戦略を生成し、セマンティクス、シミュレーション実行、運用上の制約をチェックする。 リンクされた記録は、要求から証拠や決定へのトレーサビリティを保持する。 仮想的外科的施設分類を用いて,30件の固定試験記録を評価し,28件のワークフローと2件のモデル生成を評価した。 自動戦略ワークフローの成功は3/10で、無効入力の正しい拒否は7/8だった。 前回のチェックをパスし、完全な証拠を生み出し、最終エンジニアリングレビュー(CP6)に到達した4つのケースは、そのレビューに合格した。 スループットの制約が失敗した戦略の正しいブロッキングとともに、ステージドスクリーニングの有効性とテストされた設定内での確認をサポートする。 8つのシミュレーション・エビデンス・レコードの平均配置値のパスレートは97.50%である。 最初のレビュー可能な応答とシミュレーションの検証までの時間は、それぞれ12.94秒と164.39秒であった。 残った失敗には意味的な歪み、不完全な証拠、不正な入力が伴っていた。 この結果は、トレーサブルな戦略レビューワークフローを示しているが、全体的な信頼性や長期的な安定性は確立していない。 一般化性を評価するためには、より広範なテストと物理的評価が必要である。

関連論文リスト

• The Delegation Blind Spot: Auditing Product Decisions from Agent Choices [2.731113456484581]
  成功したエージェントの実行は、ユーザがどの製品に価値をもたらすかを識別する必要がない。 本稿では、宣言された観察チャンネルと製品価値を、互換性のある間隔や目撃者集団と対比する決定特異的監査を提案する。
  論文  参考訳（メタデータ） (2026-09-22T16:15:55Z)
• From Matching Models to Recruiting Agents: A Systematized Narrative Review of AI Recruitment Systems, Evaluation, and Governance [1.436449142247059]
  このレビューは、ニューラル・パーソナリティ・マッチングによる双方向の検索と行動ランキングから発展を辿る。 類似性から相互適合性、モデルから複合ワークフロー、オフライン予測からエビデンスと生産性に整合した評価という3つの組み合わせの遷移を分析した。 評価証拠から最強の証明可能なクレームへのステージマッピングと,相互性,エビデンス,時間的制御,選択的,監査可能なシステムに関するアジェンダを導入する。
  論文  参考訳（メタデータ） (2026-09-03T08:46:03Z)
• Demystifying Agent Skills: Why They Work-Until They Don't [58.92875630998418]
  既存の評価は、スキルが集約されたタスクの成功を改善するかどうかを主に測定する。 我々は、表現、結果アノテーション、検索難易度、スキルのクロスフレームワークの影響を分離する。 我々はこれらの観察を3つの高レベルカテゴリと12のスキルユースモードの分類に集約する。
  論文  参考訳（メタデータ） (2026-08-14T07:26:38Z)
• Measurement Without Validity: The Compounding Reliability Problem in Agentic AI Evaluation [0.0]
  エージェントAI評価パイプラインは、デプロイメント決定、安全認定、規制コンプライアンス要求を正当化するベンチマークスコアを生成する。 正式なフレームワークはまだ、これらのパイプラインのステージにおける妥当性の低下を特徴付けていない。 本稿では,タスク生成,人間シミュレーションキャリブレーション,自動判定の3層合成妥当性モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-01T17:50:12Z)
• ClawTrack: Towards Trace-Level Evaluation and Improvement of Real-World Autonomous Agents [23.840537431318296]
  エージェントが何を達成し、どのように達成するかを同時に測定するデュアルアセスメントベンチマークであるClawTrackを提示する。 ClawTrackは8つのドメインにわたる320のタスクと25以上の決定論的モックサービスで構成されている。 プロセスグレーダは、12,541のタスク固有の項目で固定された4次元(ゴールアライメント、効率性、情報利用、結果検証)に沿って各推論ターンをスコアする。
  論文  参考訳（メタデータ） (2026-07-30T11:18:47Z)
• ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence [57.37494162084001]
  チェーン・オブ・エビデンス(Chain-of-Evidence, CoE)は、すべてのクレームがエビデンス・ソースにトレース可能であることを要求する検証可能なフレームワークである。 CoE Auditはポストホック監査であり、スコア検証、仕様違反、参照検証、メソッドコードアライメントという4つの整合性チェックが全システムに均一に適用される。
  論文  参考訳（メタデータ） (2026-05-25T21:30:27Z)
• ClawForge: Generating Executable Interactive Benchmarks for Command-Line Agents [59.626170560327274]
  textbfClawForgeは、ステートコンフリクト下で実行可能なコマンドラインカテゴリのためのジェネレータベースのベンチマークフレームワークである。 私たちはこのフレームワークをClawForge-Bench(17のシナリオ、6の能力カテゴリ)としてインスタンス化します。
  論文  参考訳（メタデータ） (2026-05-13T21:34:08Z)
• Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
  エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。 Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。 すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
  論文  参考訳（メタデータ） (2026-04-07T17:43:18Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)

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。