論文の概要: AI-Native Academia Should Build a Community Verification Layer

• arxiv url: http://arxiv.org/abs/2610.30549v1
• Date: Thu, 22 Oct 2026 00:16:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.177919
• Title: AI-Native Academia Should Build a Community Verification Layer
• Title（参考訳）: AI-Nativeアカデミックはコミュニティの検証層を構築するべきだ
• Abstract要約: 本稿では,要約ノートからクレームチェック,監査,アーティファクト実行,複製,複製,下流検証まで,階層的なはしごを提案する。 この層は、社会的信号を明らかにする前に判断を導き、多次元の意見の相違を保ち、貢献者をプライベートに検証し、フレキシブルな公開開示を許可し、専門知識と範囲の制約の下で注意を割り当て、証拠の質と深さに結びついた検証労働を安定させる。
• 参考スコア（独自算出の注目度）: 2.3321836323021166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper argues that AI-native academia should build a Community Verification Layer: interoperable, policy-governed infrastructure that converts researchers' routine reading and checking into persistent, claim- and version-linked evidence, while routing scarce deeper verification toward uncertain, consequential, and neglected research. AI is lowering the cost of producing plausible research artifacts faster than the cost of accountable evaluation, yet much of the evaluation researchers already perform while reading, citing, implementing, or extending work is never made reusable. We propose a tiered ladder from comprehension notes to claim checks, audits, artifact execution, reproduction, replication, and downstream validation. The layer would elicit judgments before revealing social signals, preserve multidimensional disagreement, privately verify contributors while allowing flexible public disclosure, allocate attention under expertise and coverage constraints, and make verification labor citable, with credit tied to the quality and depth of the evidence. We distinguish this design from prior open and post-publication review and outline governance requirements and potential counterarguments.
• Abstract（参考訳）: 本稿では、AIネイティブのアカデミックがコミュニティ検証層を構築するべきだと論じる: 相互運用可能でポリシーが支配するインフラは、研究者の定期的な読み書きとチェックを永続的でクレームとバージョン関連のある証拠に変換する一方で、ルーティングは不確実で、連続的で、無視された研究に対して、より深い検証を行なわない。 AIは、説明責任評価のコストよりも早く、もっともらしい研究成果物を製造するコストを下げている。 本稿では,要約ノートからクレームチェック,監査,アーティファクト実行,複製,複製,下流検証まで,階層的なはしごを提案する。 この層は社会的信号を明らかにする前に判断を導き、多次元の意見の相違を保ち、貢献者をプライベートに検証し、フレキシブルな公開開示を許可し、専門知識と範囲の制約の下で注意を割り当て、証拠の質と深さに関係した検証労働を安定させる。 我々は、この設計を、公開後および公開後のレビューと区別し、ガバナンス要件と潜在的な逆論を概説する。

関連論文リスト

• Who Pays the Review Cost? Triage, Fairness, and Accountability in AI-authored Pull Requests [6.429261912755283]
  我々は、コードレビューの経験とAIPRへの様々な露出を有する31カ国の実践者239人を対象に調査を行った。 私たちは、欠落した理論的根拠、検証、オーナシップをレビュー可能性の負債として概念化し、生成されたコードに十分な人的根拠がない場合には、ワークレビュアーが吸収しなければなりません。
  論文  参考訳（メタデータ） (2026-10-08T03:38:29Z)
• Definitional alignment before capability alignment: a Design-Science framework for adjudicating claims about AGI [0.0]
  AGIは単一の共有かつ安定した参照がなく、競合するオペレーティングは同一システム上で異なる検証を返すことができる。 この記事では、設計とガバナンスの問題として、その過小評価を扱います。
  論文  参考訳（メタデータ） (2026-06-10T22:04:56Z)
• When AI reviews science: Can we trust the referee? [73.47745294608072]
  私たちは、トレーニングとデータ検索、デスクレビュー、深いレビュー、反論、システムレベルといった、レビューライフサイクル全体のアタックをマップします。 評価スコアに高名度フレーミング, 断定力, 反抗薬効, 文脈中毒の因果効果を分離するために, 2つの高度なLCMベースの審判を用いた。
  論文  参考訳（メタデータ） (2026-04-26T08:03:32Z)
• From Fluent to Verifiable: Claim-Level Auditability for Deep Research Agents [8.49451413641847]
  研究生成が安価になるにつれて、監査可能性がボトルネックになる、と我々は主張する。 この観点からは,ディープリサーチエージェントの第一級設計および評価対象として,クレームレベルの監査性を提案する。
  論文  参考訳（メタデータ） (2026-02-14T19:39:15Z)
• Preventing the Collapse of Peer Review Requires Verification-First AI [49.995126139461085]
  我々は、真理結合、すなわち、過度に科学的真理をトラックする場所のスコアの厳密さを提案する。 プロキシ・ソブリン評価に向けた相転移を駆動する2つの力の形式化を行う。
  論文  参考訳（メタデータ） (2026-01-23T17:17:32Z)
• AI and the Future of Academic Peer Review [0.1622854284766506]
  大規模言語モデル(LLM)は、ジャーナリスト、資金提供者、個人レビュアーによってピアレビューパイプラインで試験されている。 初期の研究は、AIアシストが人間に匹敵する品質のレビューを作成できることを示唆している。 教師付きLDM支援は, 人間の判断を損なうことなく, エラー検出, タイムライン, レビューヤの作業量を改善することができることを示す。
  論文  参考訳（メタデータ） (2025-09-17T17:27:12Z)
• Automatic Reviewers Fail to Detect Faulty Reasoning in Research Papers: A New Counterfactual Evaluation Framework [55.078301794183496]
  我々は、高品質なピアレビューを支えるコアレビュースキル、すなわち欠陥のある研究ロジックの検出に注力する。 これは、論文の結果、解釈、クレームの間の内部の一貫性を評価することを含む。 本稿では,このスキルを制御条件下で分離し,テストする,完全自動対物評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-29T08:48:00Z)
• 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)

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。