論文の概要: When the AI Leaves the Tailorshop: Measuring What an LLM Advisor Leaves Behind in Complex Problem Solving

• arxiv url: http://arxiv.org/abs/2610.00163v1
• Date: Mon, 14 Sep 2026 20:13:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.385362
• Title: When the AI Leaves the Tailorshop: Measuring What an LLM Advisor Leaves Behind in Complex Problem Solving
• Title（参考訳）: AIがタイラーショップを去る:複雑な問題解決でLCMアドバイザーが残すものを測定する
• Abstract要約: 2つの実験は、シミュレーション衣料品工場を管理する参加者とLLMアドバイザーの有無を比較した。 研究全体を通じて、AI支援の参加者は、より少ない努力でより自信と理解を報告した。
• 参考スコア（独自算出の注目度）: 11.718130953899587
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Complex problem solving depends on acting effectively and understanding how a system works. AI advice may support these outcomes unequally. Two preregistered experiments compared participants managing a simulated clothing factory with and without an LLM advisor. Across studies, AI-supported participants reported greater confidence and understanding with less effort. In the first study (N=200), assistance increased company value but produced no detectable prediction-accuracy difference. After withdrawal, previously supported participants outperformed controls when decisions were scored against repeating previous choices, but not default settings. Within the AI-supported group, more frequent recommendation alterations predicted better unaided performance. In the second study (N=198), AI-supported participants went bankrupt less often and showed a small knowledge advantage in the registered analysis, largely associated with remaining solvent. More frequent recommendation alterations predicted higher knowledge within the AI-supported group. Applied HAI evaluation should assess users' understanding and independent capability alongside the performance achieved with AI support.
• Abstract（参考訳）: 複雑な問題解決は、効果的に行動し、システムの動作方法を理解することに依存する。 AIアドバイスは、これらの成果を不平等にサポートすることができる。 2つの事前登録実験は、シミュレーションされた衣料品工場を管理する参加者とLLMアドバイザーの有無を比較した。 研究全体を通じて、AI支援の参加者は、より少ない努力でより自信と理解を報告した。 最初の研究(N=200)では、支援は企業価値を増大させるが、検出可能な予測精度の差は生じなかった。 離脱後、以前サポートされた参加者は、以前の選択を繰り返すことに対して決定が下されたとき、デフォルトの設定ではなく、コントロールよりも優れていた。 AI支援グループ内では、より頻繁なレコメンデーション変更によって、より良いパフォーマンスが予測された。 第2の研究(N=198)では、AIによって支えられた参加者が破産する頻度が減り、登録された分析では、ほとんど溶剤と関連する知識が少なかった。 より頻繁な推奨変更は、AI支援グループ内のより高い知識を予測した。 応用HAI評価は、AIサポートで達成されたパフォーマンスと並行して、ユーザの理解と独立した能力を評価するべきである。

関連論文リスト

• Annie, Are You Okay? How Style- and Context-Based Personalization Shape AI-Assisted Decision-Making [6.926458684243893]
  パーソナライズされたAIが、最小限の評価トレースだけで、防御可能な選択肢間で意思決定を操る方法を示す。 これらの結果は、パーソナライズされたAIが、最小限の評価トレースしか持たない、防御可能な選択肢間で意思決定を行うことができることを示す。
  論文  参考訳（メタデータ） (2026-09-21T14:20:12Z)
• When AI Reviews Train AI Reviewers: Scientific-Judgment Collapse and Mitigation [50.90087870200793]
  大規模言語モデル(LLM)は、科学的な評価にますます参加している。 このフィードバックループの1ステップを制御された環境で研究する。 TrustReviewerは、AIと機械学習論文のピアレビューを生成するための、オープンソースのシステムである。
  論文  参考訳（メタデータ） (2026-09-17T18:01:08Z)
• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration [0.904861150954008]
  大規模言語モデル(LLM)は、コラボレーションのためのインタラクティブなツールとして、教育環境においてますます使われている。 誤りがあってもユーザの信念と整合し、学習と意思決定に対する懸念を喚起する。 本研究では, サイコファンティックアライメントが, マルチターンヒトとAIの相互作用においてどのように現れるかを検討する。
  論文  参考訳（メタデータ） (2026-05-18T13:20:45Z)
• Biased Error Attribution in Multi-Agent Human-AI Systems Under Delayed Feedback [0.0]
  マルチエージェント型ヒューマンAIタスクにおいて、遅延結果が意思決定や責任帰属を形作るかを検討する。 非対称な反応の利得と損失を観察し, 負の結果の補正がより強くなった。 我々は,この現象を帰属バイアスの一形態として言及し,遅延フィードバック下での誤り帰属として現れる。
  論文  参考訳（メタデータ） (2026-03-24T16:52:14Z)
• Explainable AI as a Double-Edged Sword in Dermatology: The Impact on Clinicians versus The Public [46.86429592892395]
  説明可能なAI(XAI)は、AI意思決定の洞察を提供することによって、この問題に対処する。 フェアネスに基づく診断AIモデルと異なるXAI説明を組み合わせた2つの大規模実験の結果を報告する。
  論文  参考訳（メタデータ） (2025-12-14T00:06:06Z)
• The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
  AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。 我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
  論文  参考訳（メタデータ） (2025-06-09T18:37:14Z)
• How Performance Pressure Influences AI-Assisted Decision Making [52.997197698288936]
  我々は、プレッシャーと説明可能なAI(XAI)技術がAIアドバイステイク行動とどのように相互作用するかを示す。 我々の結果は、圧力とXAIの異なる組み合わせで複雑な相互作用効果を示し、AIアドバイスの行動を改善するか、悪化させるかのどちらかを示す。
  論文  参考訳（メタデータ） (2024-10-21T22:39:52Z)
• Beyond Recommender: An Exploratory Study of the Effects of Different AI Roles in AI-Assisted Decision Making [48.179458030691286]
  Recommender、Analyzer、Devil's Advocateの3つのAIの役割について検討する。 以上の結果から,各役割のタスクパフォーマンス,信頼性の適切性,ユーザエクスペリエンスにおける長所と短所が明らかとなった。 これらの洞察は、異なる状況に応じて適応的な機能的役割を持つAIアシスタントを設計する上で、貴重な意味を提供する。
  論文  参考訳（メタデータ） (2024-03-04T07:32:28Z)
• Knowing About Knowing: An Illusion of Human Competence Can Hinder Appropriate Reliance on AI Systems [13.484359389266864]
  本稿では、Dunning-Kruger Effect(DKE)がAIシステムへの適切な依存を妨げているかどうかを論じる。 DKEは、能力の低い個人が自身のスキルやパフォーマンスを過大評価しているため、メタ認知バイアスである。 その結果、パフォーマンスを過大評価する参加者は、AIシステムへの信頼度が低い傾向にあることがわかった。
  論文  参考訳（メタデータ） (2023-01-25T14:26:10Z)
• Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
  AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。 我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。 実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
  論文  参考訳（メタデータ） (2020-04-27T19:06:28Z)

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。