論文の概要: Practice Makes Perfect: Tacit Knowledge, Generative AI, and Returns to Schooling and Experience

• arxiv url: http://arxiv.org/abs/2610.36008v1
• Date: Mon, 26 Oct 2026 16:09:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.387203
• Title: Practice Makes Perfect: Tacit Knowledge, Generative AI, and Returns to Schooling and Experience
• Title（参考訳）: 練習が完璧になる - 暗黙の知識、生成AI、教育と経験への復帰
• Abstract要約: 機械供給型認知知識は、労働者資本のコード化要素を直接代用し、学校の勾配を低くすることを示す。 体系化され実践に基づく知識が補完されると、経験への回帰は、実践を通じた学習が最速になる。 認識可能な知識は少なくなり、経験の価値は新たな技術に移行するかどうかにますます依存する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative AI changes the scarcity of different forms of human capital. It makes codified knowledge cheaply available at the point of production, while judgment acquired through practice remains tied more closely to the worker. We ask what this does to two familiar prices in the wage structure: the return to schooling and the return to experience. In a short-run framework, machine-supplied codified knowledge substitutes directly for the codified component of worker human capital, lowering the schooling gradient. If codified and practice-based knowledge are complements, the return to experience rises where learning through practice is fastest; technology-specific experience can also become obsolete, rotating the experience profile rather than shifting it uniformly. Using US Current Population Survey earnings data from 2018 through June 2026, we compare occupations in the top and bottom quartiles of the pre-ChatGPT Felten-Raj-Seamans exposure index. After the public release of ChatGPT, the return to a year of schooling falls by 0.55 log points in exposed occupations. The return to a year of experience rises by 0.26 log points at three years of potential experience, is unchanged at fifteen, and falls by 0.12 log points at twenty-five; under the baseline quadratic, the effect crosses zero at 18.1 years. These breaks appear with the release, disappear under a pandemic placebo, survive a common censoring rule across the full sample, and remain when each occupation is allowed its own pre-shock schooling and experience gradients. The pattern is a repricing of human capital inside exposed occupations: codifiable knowledge becomes less scarce, while the value of experience depends increasingly on whether it transfers to the new technology.
• Abstract（参考訳）: 生成AIは、さまざまなタイプの人的資本の不足を変える。 コーディングされた知識を生産時点で安価に利用できるようにする一方で、実践を通じて得られた判断は労働者とより密接に結びついている。 これは賃金構造でよく知られた2つの価格にどう影響するかを問う。 短期的な枠組みでは、機械供給の体系化された知識は、労働者資本の体系化された構成要素を直接代用し、学校の勾配を下げる。 コード化と実践に基づく知識が相補的であれば、実践による学習が最速になるような経験への復帰がもたらされる。 2018年から2026年6月までの米カレント人口調査の決算データを用いて、前ChatGPTのFelten-Raj-Seamans被曝指数の上位および下位4分の1の職業を比較した。 ChatGPTの公開後、1年間の学校への復帰は、露出した職業で0.55ログポイント減少する。 1年の経験への回帰は3年間の潜在的な経験から0.26ログポイント上昇し、15年で変化せず、25年で0.12ログポイント減少し、ベースラインの二次では18.1年で効果がゼロになる。 これらの中断は、解放とともに現れ、パンデミックのプラセボの下に消え、全サンプルにわたって共通の検閲ルールを生き残り、それぞれの職業が独自のプレショックの教育と経験の勾配を許されているときに残る。 認識可能な知識は少なくなり、経験の価値は新たな技術に移行するかどうかにますます依存する。

関連論文リスト

• Holding a Steady Course: Knowledge Evolution from Expertise and Lessons for Continual Agent Learning [8.115055674856917]
  KEEL(Knowledge Evolution from Expertise and Lessons)は、検証済みのエビデンスを使用して、成功した振る舞いを再利用可能なスキルや失敗から修正的なレッスンに変換する、エージェント非依存のフレームワークである。 SkillFlowベンチマークでは、KEELがタスク成功率を4.2から21.7ポイント改善し、SkillFlowのデフォルトメソッドから2.4から9.6ポイント向上した。
  論文  参考訳（メタデータ） (2026-10-25T04:11:33Z)
• The Capability Transfer: Cohort Reversal, Codified Expertise, and the Adaptability Tax of AI Transformation [0.0]
  この論文は、専門家を生み出すパイプラインに何が起こるのかを問う。 これは、CaosunとAralのモデル(2026年)を1人の労働者から、ジュニアとシニアの2人のコホートを持つ会社に拡張する。
  論文  参考訳（メタデータ） (2026-10-22T15:08:46Z)
• Agent Plasticity: Measuring Self-Improvement Through Experience [101.59509058042552]
  エージェントが過去の体験を将来の事例で継承した再利用可能なアーティファクトに記憶させる制御環境での自己改善について検討する。 エージェントの可塑性は, エージェントが経験を生かし, 将来の保留性能を向上する。 複数の環境にまたがって、フロンティアモデルは、学習する機会に匹敵するにもかかわらず、大幅に異なる改善軌道を示す。
  論文  参考訳（メタデータ） (2026-10-06T17:58:57Z)
• Learn2Play Bench: How Well Do LLM Agents Learn from Experience in Unfamiliar Environments? [48.23299126251927]
  Learn2Play Benchは、新しく設計されたテキストベースのゲームのベンチマークである。 これらのゲームは、事前訓練された知識にのみ依存するのではなく、相互作用を通じて知識を得るエージェントを必要とする。 筆者らは,バックボーンモデル,自己進化手法,エージェントハーネスがエージェントの学習能力に与える影響を評価する。
  論文  参考訳（メタデータ） (2026-10-06T12:08:45Z)
• Emotional Cost Functions for AI Safety: Teaching Agents to Feel the Weight of Irreversible Consequences [0.0]
  人間は、数値的な罰ではなく、自分が誰であるかを想起する質的な苦しみを通して破滅的な間違いから学ぶ。 現在のAIの安全性アプローチは、これらを複製しない。 金融取引、危機支援、コンテンツに関する10の実験は、質的な苦しみが麻痺を一般化するよりも特定の知恵を生み出すことを示している。
  論文  参考訳（メタデータ） (2026-03-15T18:16:49Z)
• Agent Learning via Early Experience [93.83579011718858]
  言語エージェントの長期的な目標は、彼ら自身の経験から学び、改善することであり、最終的には複雑な現実世界のタスクにおいて人間より優れています。 現在のエージェントのほとんどは、専門家データによる教師付き微調整に依存しており、スケールと一般化が不十分である。 本研究では,(1)環境力学における政策の基盤として収集された状態を利用するインプリシット・ワールド・モデリング,(2)エージェントが最適な行動から学習し,推論と意思決定を改善するための自己回帰という2つの手法について検討する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:17Z)
• Reducing Representation Drift in Online Continual Learning [87.71558506591937]
  私たちは、エージェントが制限されたメモリと計算で変化する分布から学ぶ必要があるオンライン連続学習パラダイムを研究します。 この作業では、入ってくるデータストリームに未観測のクラスサンプルが導入されることにより、事前に観測されたデータの表現の変化に焦点を合わせます。
  論文  参考訳（メタデータ） (2021-04-11T15:19:30Z)

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。