論文の概要: Can Loan Processors and Underwriters Spot AI-Edited Statements? An Empirical Study
- arxiv url: http://arxiv.org/abs/2610.30758v1
- Date: Thu, 22 Oct 2026 05:26:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.224378
- Title: Can Loan Processors and Underwriters Spot AI-Edited Statements? An Empirical Study
- Title（参考訳）: ローン処理とアンダーライターはAI編集された文書を発見できるのか? 実証研究
- Abstract要約: AI支援編集は、応募者の身元を変更しながら、慣れ親しんだ発行者のレイアウトを保存するローン文書を作成することができる。
我々は,経験豊富なアンダーライターとローンプロセッサが,初回,文書のみのレビューにおいてそのような偽造を識別するかどうかを検討した。
- 参考スコア（独自算出の注目度）: 4.8300220811370815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI-assisted editing can produce loan documents that preserve familiar issuer layouts while changing the applicant's identity. We investigated whether experienced underwriters and loan processors identify such forgeries in first-pass, document-only review. Three practitioners recruited through Upwork each received one applicant package drawn from 134 forged PDFs derived from 47 genuine financial documents supplied with full consent. The edits preserved amounts, dates and balances; identifier inconsistencies introduced by the pipeline were knowingly retained before distribution. Reviewers were not told that files had been altered and returned 132 file-level judgements. Checking their explanations against the originals yielded 14 edit-supported concerns (10.6%): 12 Suspicious judgements and two Insufficient information judgements. All supported concerns involved identifier disagreements within or across documents, and no reported visual cue identified an actual edit. Thus, approximately one in ten judgements contained evidence of the forgery, despite known inconsistencies remaining in the files. These observations motivate evaluating consistency checks and independent source verification alongside human review. With three reviewer-package pairs and no genuine-file controls, the findings describe this exploratory setting rather than population-wide detection accuracy.
- Abstract（参考訳）: AI支援編集は、応募者の身元を変更しながら、慣れ親しんだ発行者のレイアウトを保存するローン文書を作成することができる。
我々は,経験豊富なアンダーライターとローンプロセッサが,初回,文書のみのレビューにおいてそのような偽造を識別するかどうかを検討した。
Upworkを通じて採用された3人の実践者は、完全な同意を得て提供された47の真正の財務文書から抽出された134の偽PDFから、それぞれ1つの応募者パッケージを受け取った。
保存された量、日付、バランスを編集し、パイプラインによって導入された識別子の不整合は、配布前に故意に保持された。
審査員はファイルが変更され、132件のファイルレベルの判断が返却されたことを知らされなかった。
原本に対する彼らの説明を確認すると、14の編集支援された懸念(10.6%)が得られ、12の疑わしい判断と2つの不十分な情報判断が得られた。
サポートされたすべての懸念は、文書内または文書間の識別子の不一致であり、実際の編集を識別するビジュアルキューは報告されていない。
このように、10人に1人が偽造の証拠を含んでいた。
これらの観察は、人間のレビューと並行して、一貫性チェックと独立したソース検証を評価する動機となっている。
3つのレビュアー・パッケージ・ペアと真のファイル・コントロールがなければ、この探索的な設定は集団全体の検出精度ではなく、説明できる。
関連論文リスト
- Author-in-the-loop Agentic Reproducibility Auditing for a Machine Learning Conference [16.823598747041608]
本稿では,著者がAIエージェントの調査と評価に対して明示的な入力を宣言する,ループ上での著者共同監査について述べる。
GitHubの2段階ワークフローは、エージェントチェックを作者の明確化、修正、エージェントの再評価に接続する。
このシステムを36の会議論文と133の実験表と数字に展開し、人間によるレビュー後に20の問題を提起した。
論文 参考訳（メタデータ） (2026-10-15T17:28:51Z) - AgentEval: Evidence-Bounded Assessment of Stateful Agents [17.499411625063455]
本稿では,契約条件付きアセスメントシステムであるAgentEvalについて紹介する。
エージェントが何をしたか、証拠が何を確立するか、そして現在の使用のために結論が支持されるかどうかを区別する。
論文 参考訳（メタデータ） (2026-10-15T03:32:39Z) - What Output-Only Review Cannot Verify: Study Contracts for Research Agents [10.88831138993597]
我々は、宣言された実験的な選択、義務の実行、記録された実行証拠の請求範囲を束縛する契約を提案する。
8つの自己証明されたクリーン/ミュートされたペアを用いた診断は、情報境界を示す。
契約チェックが最適化の下で有用な適合性補完を向上するかどうかの必要なテストとして,全情報比較,正則適応制御,閉ループエージェントの評価を同定する。
論文 参考訳（メタデータ） (2026-10-08T11:42:23Z) - VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement [57.86962208273888]
テキストのみのプランナが入力された物理義務にプロンプトをコンパイルする監査可能な物理検証システムを提案する。
それぞれのアクションは、ペイロードがタイプされた測定か、明示的にタグ付けされた学習状態である証明付きエビデンスレコードを返す。
我々は, 実発生障害を即時参照, 空間, 時間でローカライズする, 1500クリックの欠陥記録のコーパスにおいて, 評価をアンロックする。
論文 参考訳（メタデータ） (2026-09-02T20:36:45Z) - Peerify: Benchmarking Peer-Review Claim Verification [11.93456759575797]
我々は、ピアレビュークレームの原稿ベース検証のためのパイプラインであるPeerifyを提示する。
原稿とレビューのコメントが与えられた後、Peerifyパイプラインはレビューをアトミックなクレームに分解し、関連する原稿証拠を取得し、各クレームが論文によって支持されているかどうかを決定する。
我々はPierifyパイプラインにおける最先端言語モデルと検索戦略を,詳細なベースラインとともに評価する。
論文 参考訳（メタデータ） (2026-09-02T20:35:02Z) - From Traceability to Justifiability: Accountability Structures in Agentic Software Engineering [0.0]
公開資料のみから、AIレコードがクレームを表現できるかどうか、宣言された場所を保持できるかどうかを測定する。
188個の二重グレード細胞で、デフォルトレコードが行動システムのコンテンツアイデンティティを出力するプラットフォームは見つからなかった。
計器は、パイプラインが発行した排気のみからの保証深度を計算し、宣言された深さと比較する。
論文 参考訳（メタデータ） (2026-08-21T16:45:00Z) - FactReview: Evidence-Grounded Reviews with Literature Positioning and Execution-Based Claim Verification [57.196748998757954]
本稿では,クレーム抽出,文献位置決定,実行に基づくクレーム検証を組み合わせたエビデンスベースレビューシステムであるFactReviewを紹介する。
FactReviewは論文を提出すると、主要なクレームを特定し、その結果を報告し、論文の技術的な位置を明らかにするために近くの作業を取り出し、コードが利用可能であれば、リリースされたリポジトリを実行する。
その後、簡潔なレビューと、主要な請求を5つのラベルのうち1つに割り当てるエビデンスレポートを生成する。
論文 参考訳（メタデータ） (2026-04-05T11:45:22Z) - PaperAudit-Bench: Benchmarking Error Detection in Research Papers for Critical Automated Peer Review [54.141490756509306]
本稿では、エラーデータセットであるPaperAudit-Datasetと、自動レビューフレームワークであるPaperAudit-Reviewの2つのコンポーネントからなるPaperAudit-Benchを紹介する。
PaperAudit-Benchの実験では、モデルと検出深さの誤差検出可能性に大きなばらつきが示された。
本研究では,SFTおよびRLによる軽量LLM検出器のトレーニングをサポートし,計算コストの削減による効率的な誤り検出を実現する。
論文 参考訳（メタデータ） (2026-01-07T04:26:12Z) - OpenFactCheck: Building, Benchmarking Customized Fact-Checking Systems and Evaluating the Factuality of Claims and LLMs [59.836774258359945]
OpenFactCheckは、カスタマイズされたファクトチェックシステムを構築するためのフレームワークである。
ユーザーは自動的にファクトチェッカーをカスタマイズし、文書やクレームの事実的正当性を検証できる。
CheckerEVALは、人間の注釈付きデータセットを使用して、自動ファクトチェッカーの検証結果の信頼性を高めるソリューションである。
論文 参考訳（メタデータ） (2024-05-09T07:15:19Z) - AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。
アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。
我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
論文 参考訳（メタデータ） (2021-04-01T17:40:08Z)
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。