論文の概要: When Do Humans and Machines Truly Complement Each Other? Formal Conditions and Empirical Evidence for Human-AI Synergy

• arxiv url: http://arxiv.org/abs/2610.27965v1
• Date: Tue, 20 Oct 2026 10:09:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.759125
• Title: When Do Humans and Machines Truly Complement Each Other? Formal Conditions and Empirical Evidence for Human-AI Synergy
• Title（参考訳）: 人間と機械は互いに完全に補完するのか? : 人とAIのシナジーの形式的条件と実証的証拠
• Abstract要約: 我々は、依存パターンのレンズを通して人間とAIの相互作用をモデル化するための正式な枠組みを提案する。 我々は、相乗効果に数学的に必要で十分な条件を導出し、その出現はどちらのエージェントが他のエージェントの誤りを識別し、修正する能力に依存することを示した。
• 参考スコア（独自算出の注目度）: 5.119657055297124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Can humans and artificial intelligence cooperate such that their combination yields greater accuracy than either agent alone? This result, termed \emph{synergy} or \emph{complementarity}, is notoriously difficult to achieve, even when both agents possess significant independent accuracy. In this paper, we present a formal framework to model human-AI interaction through the lens of reliance patterns, which characterize the joint correctness structure of human and algorithmic decisions. We derive mathematically necessary and sufficient conditions for synergy, demonstrating that its emergence depends on the ability of either agent to identify and correct the errors of the other, what we call Human and Algorithmic Correction. Beyond its theoretical contribution, the proposed framework provides a foundation for the design and evaluation of knowledge-based decision support systems, where interaction policies must dynamically integrate heterogeneous sources of expertise. We demonstrate this through the analysis of seven clinical case studies. Our empirical results reveal a ``dominance trap,'' where a strong algorithmic advantage can paradoxically inhibit synergy by eroding human corrective intervention. We also show that synergy can persist even in the presence of cognitive biases, such as automation bias, provided there is functional de-correlation between human and AI errors. These results provide a formal foundation for key concepts in the human-AI systems literature and offer actionable insights for designing interaction-centric AI systems that foster complementarity.
• Abstract（参考訳）: 人間と人工知能は、その組み合わせがどちらのエージェント単独よりも精度が高いように協力できるだろうか? この結果は "emph{synergy}" あるいは "emph{complementarity" と呼ばれ、双方のエージェントがかなり独立した精度を持つ場合でも達成は困難である。 本稿では,人間とアルゴリズムの協調的正当性構造を特徴付ける,依存パターンのレンズによる人間とAIの相互作用をモデル化するための形式的枠組みを提案する。 我々は、相乗効果の数学的必要十分条件を導出し、その出現は、どちらかのエージェントが他方のエラーを識別し、修正する能力に依存することを示した。 その理論的貢献の他に、提案フレームワークは知識に基づく意思決定支援システムの設計と評価のための基盤を提供する。 本研究は,7つの臨床ケーススタディの分析を通してこれを実証する。 実験の結果,強いアルゴリズム的優位性が人間の矯正介入を侵食することで相乗効果をパラドックス的に抑制できる「支配トラップ」が明らかになった。 また、人間とAIのエラーの間に機能的非相関がある場合、自動化バイアスのような認知バイアスの存在下でもシナジーが持続することを示す。 これらの結果は、人間-AIシステム文学における重要な概念の正式な基盤を提供し、相補性を助長する相互作用中心のAIシステムを設計するための実用的な洞察を提供する。

関連論文リスト

• Claims of emergence in AI should be grounded in information decomposition [48.3833080772084]
  我々は、AIシステムにおけるシナジーに関する評価を運用するための統一的な形式的枠組みとして、インセンフィズムの分解が役立つと主張している。 システムの振る舞いは、タスク関連の結果に関する相乗的情報を持っている場合に限って発生します。
  論文  参考訳（メタデータ） (2026-10-20T16:29:28Z)
• Epistemology gives a Future to Complementarity in Human-AI Interactions [42.371764229953165]
  相補性とは、AIシステムによって支えられた人間は、意思決定プロセスにおいて単独でより優れる、という主張である。 我々は,人間とAIの相互作用が信頼できる過程であることを示す証拠として,相補性の歴史的事例が機能すると主張している。
  論文  参考訳（メタデータ） (2026-01-14T21:04:28Z)
• From Augmentation to Symbiosis: A Review of Human-AI Collaboration Frameworks, Performance, and Perils [0.8629912408966147]
  人間中心AIのスーパーツール」と共生知能の相互適応モデルについて研究した。 我々は、AIが内部化された認知コンポーネントとして機能するときに、永続的な利益が生じることを疑問視する、拡張自己と二重プロセス理論を一体化したフレームワークで締めくくります。
  論文  参考訳（メタデータ） (2025-11-07T19:11:33Z)
• AI Mathematician as a Partner in Advancing Mathematical Discovery - A Case Study in Homogenization Theory [6.856242640393325]
  本稿では,AIMシステムを単なる問題解決者ではなく研究パートナーとして機能させる方法について検討する。 人間の直感と機械計算が相互に補完し合うかを明らかにする。 このアプローチは完全かつ検証可能な証明をもたらし、より広範に、体系的な人間とAIの共推論が数学的発見のフロンティアをいかに前進させるかを示す。
  論文  参考訳（メタデータ） (2025-10-30T11:22:15Z)
• Human-AI Collaborative Uncertainty Quantification [26.38833436936642]
  我々は、AIモデルが人間の専門家の提案する予測セットをいかに洗練するかを形式化するフレームワークであるHuman AI Collaborative Uncertainty Quantificationを紹介する。 最適協調予測セットは1つのスコア関数上の直感的な2つのしきい値構造に従っており、古典的な結果を共形予測で拡張することを示す。 画像分類、回帰、テキストベースの医学的意思決定に関する実験は、協調予測セットがエージェント単独よりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2025-10-27T16:11:23Z)
• When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
  我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。 最初の大規模人間実験(N=118)を行い,その測定を行った。 2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
  論文  参考訳（メタデータ） (2025-06-05T20:48:16Z)
• Causal Responsibility Attribution for Human-AI Collaboration [62.474732677086855]
  本稿では,人間のAIシステムにおける責任を体系的に評価するために,構造因果モデル(SCM)を用いた因果的枠組みを提案する。 2つのケーススタディは、多様な人間とAIのコラボレーションシナリオにおけるフレームワークの適応性を示している。
  論文  参考訳（メタデータ） (2024-11-05T17:17:45Z)
• AI, Pluralism, and (Social) Compensation [1.5442389863546546]
  ユーザ集団における多元的価値に対応する戦略は、AIシステムをパーソナライズすることである。 もしAIが個々の個人の特定の値に適応できるなら、多元主義の課題の多くを回避できる可能性がある。 しかし、人間-AIチームにとって成功の外部尺度がある場合、適応型AIシステムは人間のチームメイトを補うための戦略を開発することができる。
  論文  参考訳（メタデータ） (2024-04-30T04:41:47Z)
• Human-Algorithm Collaboration: Achieving Complementarity and Avoiding Unfairness [92.26039686430204]
  慎重に設計されたシステムであっても、補完的な性能はあり得ないことを示す。 まず,簡単な人間アルゴリズムをモデル化するための理論的枠組みを提案する。 次に、このモデルを用いて相補性が不可能な条件を証明する。
  論文  参考訳（メタデータ） (2022-02-17T18:44:41Z)

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。