論文の概要: The Reported Engagement with AI Level (REAL) Rating: A Framework for Disclosing Human-AI Collaboration

• arxiv url: http://arxiv.org/abs/2610.04021v1
• Date: Fri, 02 Oct 2026 20:28:05 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:24:02.215611
• Title: The Reported Engagement with AI Level (REAL) Rating: A Framework for Disclosing Human-AI Collaboration
• Title（参考訳）: Regagement with AI Level (REAL) Rating: A Framework for Disclosing Human-AI Collaboration
• Abstract要約: 我々は、製品作成とユーザエクスペリエンスの両方にAIが関与する範囲を開示する、Reported Engagement with AI Level (REAL) Ratingフレームワークを提案する。 本稿では、REALレーティングシステムの構造方法論と、テキスト、画像、オーディオ、ビデオ、ソフトウェア製品にまたがるアプリケーションの詳細について詳述する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Generative artificial intelligence has become increasingly incorporated into digital media and more generally into production workflows with which the public frequently interacts. Current provenance standards and disclosure methods frequently rely on binary categorizations, differentiating only between entirely human-authored and AI-generated content, or depend on technical watermarking that lacks user-facing clarity. However, there are very different risks and outcomes depending on the different uses of AI in the creation and consumption of end products. Therefore, we propose the Reported Engagement with AI Level (REAL) Rating framework which addresses these concerns by introducing a six-tier scale (Levels 0-5) that discloses the extent of AI involvement in both product creation and user experience. This paper details the structural methodology of the REAL Rating system and the specifics of its application across text, image, audio, video, and software products.
• Abstract（参考訳）: 生成的人工知能は、デジタルメディアにますます取り入れられ、より一般的には、大衆が頻繁に交流する生産ワークフローに組み込まれている。 現在の証明基準と開示方法は、しばしばバイナリ分類に頼り、完全に人間が認可したコンテンツとAIが生成したコンテンツだけを区別する。 しかし、エンドプロダクトの作成と消費において、AIの異なる用途によって、非常に異なるリスクと結果が存在する。 そこで本稿では,製品開発とユーザエクスペリエンスの両方においてAIが関与する範囲を明らかにする6層スケール(レベル0-5)を導入することで,これらの問題に対処するReported Engagement with AI Level (REAL)レーティングフレームワークを提案する。 本稿では、REALレーティングシステムの構造方法論と、テキスト、画像、オーディオ、ビデオ、ソフトウェア製品にまたがるアプリケーションの詳細について詳述する。

関連論文リスト

• The Context Access Divide: Interaction-Level Architecture as a Complementary Dimension of Agentic Inequality [0.0]
  名目上は同等のAIアクセスを持つ2人のユーザーは、質的に異なるAIユーティリティを経験することができる。 知的資本が数万のファイルにまたがる知識集約型労働者にとって、CAD(Context Access Divide)は、AIの有用性の質的なしきい値を構成する。 我々は、シャープなどのフレームワークを補完するが、再現できないAIによる不平等の次元として文脈性を提案する。
  論文  参考訳（メタデータ） (2026-07-09T13:53:40Z)
• 'Your AI Text is not Mine': Redefining and Evaluating AI-generated Text Detection under Realistic Assumptions [50.1119556361129]
  我々は,AI生成テキストのさまざまな概念とその特徴を体系的に定義する。 AITDNAは人間と機械が共同で構築したテキストの新しいベンチマークである。 我々は、様々な機械生成テキスト検出器をベンチマークし、それらが特定の概念に対してのみうまく機能するが、広義の検出器として機能しないことが多いことを発見した。
  論文  参考訳（メタデータ） (2026-06-03T14:05:14Z)
• Human-AI Coordination Zones: A Framework for Designing Human-in-the-Loop Experiences with Agentic AI [6.1337557618676195]
  本稿では,人間とAIの協調を3次元の相互作用として定義する枠組みを導入する。 調整ゾーンや入力分類,デザインパターンなど,中間レベルのツールにコントリビュートしています。 このフレームワークは、設計経験に生成的に適用し、既存のものを評価するために分析的に適用し、ステークホルダー間でアイデアを明確にするためにコミュニケーション的に適用することができる。
  論文  参考訳（メタデータ） (2026-05-01T01:03:08Z)
• The next question after Turing's question: Introducing the Grow-AI test [51.56484100374058]
  本研究は,GROW-AIと呼ばれる人工知能評価の枠組みを拡張することを目的としている。 GROW-AIは、チューリングテストの自然な後継者である"Can Machine grow up? この作品の独創性は、人間の世界から人工知能への「成長」過程の概念的な変換にある。
  論文  参考訳（メタデータ） (2025-08-22T10:19:42Z)
• AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
  本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。 このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
  論文  参考訳（メタデータ） (2025-02-19T05:58:52Z)
• Let AI Entertain You: Increasing User Engagement with Generative AI and Rejection Sampling [7.715423424826709]
  本稿では、ユーザフィードバックを活用して、生成AIによるユーザエンゲージメントを改善するための一般的なフレームワークを提案する。 我々は,オンラインソーシャルネットワークのメール通知対象ライン生成の文脈において,このフレームワークを活用した。 これは、ユーザーエンゲージメントを高めるために生成AIを成功させた業界における、初期のマイルストーンである。
  論文  参考訳（メタデータ） (2023-12-16T08:06:12Z)
• Towards a Responsible AI Metrics Catalogue: A Collection of Metrics for AI Accountability [28.67753149592534]
  本研究は,包括的メトリクスカタログへの取り組みを導入することで,説明責任のギャップを埋めるものである。 我々のカタログは、手続き的整合性を支えるプロセスメトリクス、必要なツールやフレームワークを提供するリソースメトリクス、AIシステムのアウトプットを反映する製品メトリクスを記述しています。
  論文  参考訳（メタデータ） (2023-11-22T04:43:16Z)
• 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)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)

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。