論文の概要: The Uneven Decline of Collective Knowledge Production: Evidence from Stack Overflow After Generative AI
- arxiv url: http://arxiv.org/abs/2609.36069v1
- Date: Mon, 28 Sep 2026 18:21:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.935166
- Title: The Uneven Decline of Collective Knowledge Production: Evidence from Stack Overflow After Generative AI
- Title（参考訳）: 集合的知識生産の不均一な衰退 - 生成AI後のスタックオーバーフローからの証拠
- Abstract要約: ジェネレーティブAI(Gen AI)は、個人が学習し、働く方法を変えつつあるが、集団的知識に対するその影響は理解されていない。
本稿では,ChatGPT-3.5のリリースを自然なショックとして扱うため,ソフトウェアエンジニアリングにおける最大のオンラインコミュニティであるStack Overflowを用いて,この問題を考察する。
- 参考スコア（独自算出の注目度）: 1.8024332526232831
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative AI (Gen AI) is reshaping how individuals learn and work, but its consequences for collective knowledge, the shared body of knowledge that online communities produce together, remain poorly understood. Prior work has documented an aggregate decline in participation on knowledge-sharing platforms, but it remains unclear which specific kinds of knowledge are being lost first. We study this question using Stack Overflow, one of the largest online communities for software engineering, treating the release of ChatGPT-3.5 as a natural shock. Analyzing over two million questions posted between 2020 and 2025, we track how two dimensions of collective knowledge, difficulty and data availability, change following Gen AI's release. Using diverse methods and robust checks, we find consistent patterns. Easy questions decline sharply while difficult questions become more common, a pattern corroborated by rising code complexity. Data-rich topics and tags lose share of questions, while data-scarce ones gain ground. The two dimensions also interact: the decline in easy questions is concentrated specifically within data-rich domains, while difficult questions increase regardless of data availability. This pattern extends beyond Python across programming languages, with more prevalent languages showing sharper shifts. Together, our findings reveal that Gen AI's impact on collective knowledge is uneven, eroding easy, accessible knowledge first while more complex, less common knowledge persists.
- Abstract（参考訳）: ジェネレーティブAI(Gen AI)は、個人の学習と作業の仕方を変えようとしているが、その結果として、オンラインコミュニティが共に生み出す知識の共有団体である集合的知識が、いまだに理解されていない。
これまでの研究は、知識共有プラットフォームへの参加の全体的な減少を報告しているが、どの種類の知識が最初に失われているのかは不明だ。
本稿では,ChatGPT-3.5のリリースを自然なショックとして扱うため,ソフトウェアエンジニアリングにおける最大のオンラインコミュニティであるStack Overflowを用いて,この問題を考察する。
2020年から2025年の間に200万以上の質問が投稿され、Gen AIのリリースに続いて、集合的知識、難易度、データ可用性の2つの次元がどのように変化するかを追跡した。
さまざまなメソッドと堅牢なチェックを使って、一貫したパターンを見つけます。
難しい質問がより一般的になる一方で、簡単な質問は急速に減少します。
データに富んだトピックやタグは質問のシェアを失う一方、データ重視のトピックは根絶する。
簡単な質問の減少はデータ豊富なドメインに集中しているが、データ可用性に関係なく難しい質問は増加する。
このパターンはプログラミング言語にまたがってPythonを超えて広がり、より一般的な言語はより急激なシフトを示している。
我々の研究結果によると、Gen AIの集団知識への影響は不均一であり、簡単でアクセスしやすい知識を最初に侵食する一方で、より複雑であまり一般的でない知識は持続している。
関連論文リスト
- The Double-edged Effect of Banning Generative AI on Online Question-and-Answer Communities: Evidence from Stack Exchange [0.0]
生成する人工知能生成コンテンツの禁止がオンライン質問・回答コミュニティに与える影響について検討する。
我々は、これらの禁止の影響を調べるために差分差分法(DID)アプローチを採用する。
AIGCは知識追求を禁止しますが、同時に貢献効率を低下させます。
論文 参考訳（メタデータ） (2026-07-06T02:09:40Z) - Learning by Chatting? Investigating the Impact of Generative AI on Information Seeking and Learning [33.12893683348563]
ジェネレーティブAI(GenAI)ツールは、人間の認知タスクを増強する機会を提供する。
これらのタスクの中で、情報検索はGenAIツールによって急速に作り直され、学習と知識獲得に重大な影響を及ぼす可能性がある。
参加者は8日間にわたってChatGPTまたはGoogle検索を通じて情報を求めるフィールド実験を行った。
以上の結果から,ChatGPTグループの参加者は,情報検索プロセスにおいて,情報選択の大部分をAIにオフロードするため,代理店を減らしたことが明らかとなった。
論文 参考訳（メタデータ） (2026-06-10T05:28:32Z) - PropMEND: Hypernetworks for Knowledge Propagation in LLMs [82.99849359892112]
本稿では,PropMENDという,ハイパーネットワークに基づく知識伝播手法を提案する。
インジェクションされた事実に回答が明記されていないマルチホップ質問に対して,ほぼ2倍の精度で回答を提示する。
我々はまた、ハイパーネットワークの一般化を評価するために、新しいデータセットである Controlled RippleEdit も導入した。
論文 参考訳（メタデータ） (2025-06-10T15:44:19Z) - From Superficial to Deep: Integrating External Knowledge for Follow-up Question Generation Using Knowledge Graph and LLM [19.826039292102728]
会話システムでは、コンテキストに基づいたフォローアップ質問を動的に生成することで、ユーザが情報を調べるのに役立つ。
本稿では,3段階の外部知識を付加したフォローアップ質問生成手法を提案する。
論文 参考訳（メタデータ） (2025-04-08T08:31:03Z) - Beyond Factuality: A Comprehensive Evaluation of Large Language Models
as Knowledge Generators [78.63553017938911]
大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。
しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。
本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
論文 参考訳（メタデータ） (2023-10-11T08:22:37Z) - From Mundane to Meaningful: AI's Influence on Work Dynamics -- evidence
from ChatGPT and Stack Overflow [0.0]
私たちはChatGPTがコーディングの基本的な側面、すなわち問題解決をどう変えたかを探る。
私たちは、2022年11月30日のChatGPTの突然のリリースが、プログラマにとって最大のオンラインコミュニティであるStack Overflowの利用に与える影響を利用しています。
論文 参考訳（メタデータ） (2023-08-22T09:30:02Z) - A Comprehensive Survey of AI-Generated Content (AIGC): A History of
Generative AI from GAN to ChatGPT [63.58711128819828]
ChatGPTおよびその他の生成AI(GAI)技術は、人工知能生成コンテンツ(AIGC)のカテゴリに属している。
AIGCの目標は、コンテンツ作成プロセスをより効率的かつアクセスしやすくし、高品質なコンテンツをより高速に生産できるようにすることである。
論文 参考訳（メタデータ） (2023-03-07T20:36:13Z) - CIKQA: Learning Commonsense Inference with a Unified
Knowledge-in-the-loop QA Paradigm [120.98789964518562]
我々は,コモンセンス知識の大規模化により,すべてのコモンセンスをカバーできるような,各タスクに十分なトレーニングセットをアノテートすることは不可能である,と論じる。
モデルのコモンセンス推論能力について,2つの観点から検討する。
我々は、このベンチマークを知識-イン-ループ質問回答(CIKQA)を用いたCommonsense Inferenceと命名した。
論文 参考訳（メタデータ） (2022-10-12T14:32:39Z) - Incremental Knowledge Based Question Answering [52.041815783025186]
人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。
具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。
包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
論文 参考訳（メタデータ） (2021-01-18T09:03:38Z) - Knowledge-Routed Visual Question Reasoning: Challenges for Deep
Representation Embedding [140.5911760063681]
VQAモデル評価のためのナレッジルーティング視覚質問推論という新しいデータセットを提案する。
視覚ゲノムシーングラフと外部知識ベースの両方に基づいて,制御プログラムを用いて質問応答対を生成する。
論文 参考訳（メタデータ） (2020-12-14T00:33:44Z)
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。