論文の概要: Structured pre-generation elicitation versus single-shot prompting in AI-assisted enterprise decision-making: a randomised online experiment
- arxiv url: http://arxiv.org/abs/2610.09593v1
- Date: Wed, 07 Oct 2026 07:39:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.777752
- Title: Structured pre-generation elicitation versus single-shot prompting in AI-assisted enterprise decision-making: a randomised online experiment
- Title（参考訳）: AIによる企業意思決定における構造的プレジェネレーションと単発プロンプト--ランダム化オンライン実験
- Abstract要約: 今まで提案された介入、例えば、非支援のプラクティスや採用の遅れは、作業タスクの外にあります。
ユーザに対してコンテキストを明確にするためのインタラクティブなメタ認知足場層(Cognistance)をテストした。
足場では平均合成品質が32%高かった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Generative AI speeds, and mostly improves, professional work, but there is concern that users who delegate both the production and the evaluation of an answer may accept weak output and engage less with the underlying reasoning (cognitive surrender). Interventions proposed so far, such as unassisted practice or slowing adoption, sit outside the working task. We tested a different approach: an interactive metacognitive scaffolding layer (Cognistance, a prototype developed at the Oxford Centre for Impact Research (OCIR) that asks users to clarify context, choose a strategic direction and explain their reasoning before the AI generates a deliverable). Mean composite quality was 32% higher with the scaffold, with the same direction for every rater. Gains were largest for trade-off articulation and strategic coherence and absent for technical specificity. A large part of the aggregate effect reflected rescue of weak prompts: floor-scored (off-task) deliverables fell from 34% to 5%. Among participants whose own prompt already stated the data-localisation problem, the advantage was 21%. Treatment participants reported greater involvement and took about 2.4 minutes longer on average (10.46 minutes). Immediate recall scores were higher, which tentatively suggests better retention, but in this limited experiment, was not robust to sensitivity analyses. Self-ratings of quality did not track rated quality in either condition. Structured elicitation before generation improved the rated quality and task relevance of AI-assisted strategy documents at modest cost in time. Delayed retention, error detection and effects in live organisations are the priorities for the next stage of research.
- Abstract（参考訳）: 生成的AIのスピードは、主にプロフェッショナルな作業を改善するが、生産と回答の評価の両方を委譲するユーザは、弱い出力を受け入れ、根底にある推論(認知的降伏)にあまり関与しないのではないか、という懸念がある。
今まで提案された介入、例えば、非支援のプラクティスや採用の遅さは、作業タスクの外にあります。
インタラクティブなメタ認知的足場層(CognistanceはOxford Centre for Impact Research (OCIR)で開発されたプロトタイプで、コンテキストを明確にし、戦略的な方向を選択し、AIが納品される前に推論を説明する。
平均合成品質は足場よりも32%高く, ローター毎に同じ方向を示した。
利益はトレードオフの具体化と戦略的一貫性のために最大であり、技術的特異性に欠けていた。
総和効果の大部分が弱いプロンプトの救助を反映しており、フロアカラー(オフタスク)の配送品は34%から5%に減少した。
データローカライゼーションの問題をすでに表明している参加者のうち、利点は21%だった。
治療参加者はより深く関与し、平均で2.4分(約10.46分)かかった。
即時リコールスコアは高く, 仮に保持率の向上が示唆されたが, この限定実験では感度分析に頑健ではなかった。
いずれの条件においても,品質の自己評価は評価品質の追跡には至らなかった。
生成前の構造化エリケーションにより、適度なコストでAI支援戦略文書の品質とタスク関連性が向上した。
ライブ組織における遅延保持、エラー検出、影響は、次の研究段階の優先事項である。
関連論文リスト
- What is Missing from AI Post-Training AI: An Empirical Analysis [74.56398070411755]
この図は実行レベル能力と戦略レベル能力という2つの異なる能力を混在させています。
エージェントのトレーニング戦略は、さまざまなタスクにおいて、最初からロックインされていることが分かりました。
次に,欠席経験,指導の欠如,推論の不十分な3つの自然な説明と介入のエスカレートについて検討した。
論文 参考訳（メタデータ） (2026-08-19T16:17:39Z) - One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。
その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。
12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
論文 参考訳（メタデータ） (2026-06-30T10:54:16Z) - (Human) Attention Is (Still) All You Need: Human oversight makes AI-assisted social science reliable [15.442870614597451]
我々は、AI支援研究の信頼性は、モデル能力だけでなく、人間と機械の間で認知労働がどのように構成されているかにもかかっていると論じる。
我々は,この問題を,事前コミット,意思決定シーケンシング,説明責任,注意配分に基づく意思決定アーキテクチャであるHLER(Human-in-the-Loop Economic Research)を通じて研究する。
論文 参考訳（メタデータ） (2026-06-11T03:22:24Z) - 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) - Think Fast and Slow: Step-Level Cognitive Depth Adaptation for LLM Agents [49.119608399413806]
大規模言語モデル(LLM)は、多ターン意思決定タスクのための自律エージェントとして、ますます多くデプロイされている。
本稿では,エージェントが各ステップで認知深度を動的に適応するように訓練するフレームワークであるCogを紹介する。
ALFWorldとScienceWorldの実験では、Cogは最先端のパフォーマンスを優れた効率で達成している。
論文 参考訳（メタデータ） (2026-02-13T06:52:09Z) - Generative AI in Action: Field Experimental Evidence from Alibaba's Customer Service Operations [20.421383249308477]
本研究では、大規模フィールド実験を活用し、eコマースアフターセールサービスにおける生産AIアシスタントが労働者のパフォーマンスに与える影響を評価する。
Gen AIは、イシュー識別時間とチャット時間によって、サービス速度を大幅に改善した。
顧客再審率によって示される客観的サービス品質に有意な影響を及ぼすことはなかった。
論文 参考訳（メタデータ） (2026-02-08T19:41:01Z) - AI, Metacognition, and the Verification Bottleneck: A Three-Wave Longitudinal Study of Human Problem-Solving [0.0]
このパイロット研究は、AIが学術的な環境での6ヶ月にわたる問題解決にどのように影響するかを追跡した。
結果は、主にアーリーアドプター、学術関連集団に一般化される。
論文 参考訳（メタデータ） (2026-01-21T15:49:04Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z)
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。