論文の概要: Too Late to Prune: Generative AI, the Screen, and Team Creative Decisions

• arxiv url: http://arxiv.org/abs/2610.14984v1
• Date: Sat, 10 Oct 2026 15:02:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.139919
• Title: Too Late to Prune: Generative AI, the Screen, and Team Creative Decisions
• Title（参考訳）: Pruneに遅すぎる - 生成AI、スクリーン、チームの創造的決定
• Abstract要約: ジェネレーティブAIは、選択肢を安くし、創造的な作業のボトルネックを、オプションの生成からスクリーニングへとシフトさせる。 私たちのモデルでは、早期オプションはポートフォリオ内の場所を競います。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI makes options cheap and shifts the bottleneck of creative work from generating options to screening them. We argue that AI's value depends on whether its options arrive before or after the team's screen. In our model, early options compete for a place in the portfolio; late options arrive after that competition and are kept unscreened. In a preregistered experiment, we randomly assigned 148 three-person teams to five schedules of access to the same language model during a product-design task with timed search and selection stages. Moving the same 15 minutes of access from search to selection lowered expert-rated creativity by 0.62 standard deviations, although teams used the model at similar rates. Platform logs locate the difference at the screen. Early access enlarged the pool of ideas fivefold, and teams pruned it. Late-access teams reached the screen with the same small pool as teams without AI and then searched again, devoting 29% of their selection-stage queries to generating new options, compared with 11% for teams with access throughout. Late access added breadth, not quality: these teams submitted 73% more proposals than did teams without AI. Language-model judges detected the benefit of access but not the cost of late timing.
• Abstract（参考訳）: ジェネレーティブAIは、選択肢を安くし、創造的な作業のボトルネックを、オプションの生成からスクリーニングへとシフトさせる。 AIの価値は、そのオプションがチームの画面の前か後かによって異なる、と私たちは主張する。 私たちのモデルでは、早期オプションはポートフォリオ内の場所を競います。 事前登録実験では,時間付き検索と選択の段階を有する製品設計タスクにおいて,同一言語モデルへのアクセスのスケジュールを5回,ランダムに128名の3名に割り当てた。 同じ15分間の検索からセレクションへの移動は、専門家評価のクリエイティビティを0.62の標準偏差で低下させたが、チームは同様の速度でモデルを使用した。 プラットフォームログは、画面で違いを見つける。 早期アクセスはアイデアのプールを5倍に拡大し、チームはそれを突破した。 遅延アクセスチームはAIのないチームと同じ小さなプールで画面に到達し、その後再度検索し、選択ステージクエリの29%を新しいオプションに分割した。 これらのチームはAIのないチームよりも73%多くの提案を提出しました。 言語モデル審査員はアクセスの利点を検出したが、遅延タイミングのコストは見つからなかった。

関連論文リスト

• Self-Organizing Agent Teams Learn to Reason Together [52.45199430212268]
  私たちは、以前のコラボレーションから再利用可能な戦略を学び、役割、会話フェーズ、参加、情報の流れを整理する、AIエージェントの固定チームである、自己組織化エージェントチーム(SAT)を紹介します。 これらの戦略は、私たちがコラボレーティブ計算と呼ぶものを可能にします。エージェントの交換、チャレンジ、修復、そして、メンバーが独立して生成しないソリューションへの部分的推論を合成します。
  論文  参考訳（メタデータ） (2026-09-19T01:27:40Z)
• AI Research Preference Models [87.14303218008381]
  研究エージェントは、独自の機械学習実験を提案し、実装し、評価することができる。 フロンティア作業の進行は コストで妨げられています 我々は、複数の候補ソリューションのどれが実行価値が最も高いかを予測するAI Research Preference Models(RPM)を紹介する。
  論文  参考訳（メタデータ） (2026-08-14T04:20:37Z)
• TeamUp: Semantic Project Matching and Team Formation for Learning at Scale [5.239407424503223]
  プロジェクトベースの学習は、学生のエンゲージメントと学習結果を改善する。 従来のアロケーション手法では、認知的に協力する認知的に多様なチームを構築することはできません。 軽量な埋め込み型チームフォーミングシステムであるTeamUpを提案する。
  論文  参考訳（メタデータ） (2026-05-05T00:07:59Z)
• Incentives shape how humans co-create with generative AI [3.182696575286433]
  創造的な執筆作業において、AIの均質化力を仲介するインセンティブが示される。 その結果、生成AIの効果は技術そのものだけでなく、その利用を取り巻く行動戦略やインセンティブ構造にも依存していることが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-04T00:18:51Z)
• Transformer Guided Coevolution: Improved Team Selection in Multiagent Adversarial Team Games [1.2338485391170533]
  そこで本稿では,Masked Language Modelトレーニングを用いたトランスフォーマーに基づくディープニューラルネットワークを用いて,トレーニング対象者の最適なチームを選択するアルゴリズムを提案する。 我々は,マルチエージェント対逆ゲーム「Marine Capture-The-Flag」で本アルゴリズムを検証した結果,BERTeam が非自明なチーム構成を学習し,見知らぬ相手に対して良好に動作していることが判明した。
  論文  参考訳（メタデータ） (2024-10-17T17:06:41Z)
• Generative AI Enhances Team Performance and Reduces Need for Traditional Teams [1.5031024722977635]
  生成AIによって強化されたチームは、人間のコラボレーションにのみ依存するチームよりも大幅に優れていた。 我々の分析によると、少数のチームメンバーによる集中型AIの使用は、分散エンゲージメントよりも効果的である。
  論文  参考訳（メタデータ） (2024-05-28T07:47:03Z)
• The 7th AI City Challenge [87.23137854688389]
  AIシティチャレンジの第7版では、コンピュータビジョンと人工知能の交差点にある2つのドメインを強調している。 2023年大会には5つのトラックがあり、46カ国508チームからの参加要請が過去最高となった。 参加チームのトップパフォーマンスは強いベースラインを確立し、提案されたチャレンジトラックで最先端の成績を上げました。
  論文  参考訳（メタデータ） (2023-04-15T08:02:16Z)
• Retrospective on the 2021 BASALT Competition on Learning from Human Feedback [92.37243979045817]
  競争の目的は、人間のフィードバック(LfHF)技術から学び、オープンワールドの課題を解決するエージェントへの研究を促進することであった。 LfHF技術の使用を義務付けるのではなく、ビデオゲームMinecraftで達成すべき自然言語の4つのタスクについて説明した。 チームは、様々な可能な人間のフィードバックタイプにまたがる多様なLfHFアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-04-14T17:24:54Z)
• Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies in Extensive-Form Zero-Sum Games [123.76716667704625]
  我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。 この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。 各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-09-21T17:51:57Z)
• 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。