論文の概要: Why and How to Do Science When AI Is Better at It: A Framework Grounded in Human Understanding and Direction

• arxiv url: http://arxiv.org/abs/2610.36116v2
• Date: Fri, 30 Oct 2026 20:00:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 02:41:44.897592
• Title: Why and How to Do Science When AI Is Better at It: A Framework Grounded in Human Understanding and Direction
• Title（参考訳）: AIが優れている場合の科学の実践の理由と方法 - 人間の理解と方向性を基盤としたフレームワーク
• Abstract要約: 人間はなぜ科学を続けるべきなのか、そしてなぜAIを使うべきなのか? 本論では,第2問は第1問に答えることによってのみ解答できると主張している。 科学の必然的な目的の1つは、人間の終わりと価値のために追求される、世界に対する集合的人間の理解である。
• 参考スコア（独自算出の注目度）: 7.646592366192447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As AI begins to match or exceed human researchers at core scientific tasks, two questions become pressing: \emph{why} should humans keep doing science, and \emph{how} should they use AI when they do? This paper argues that the second can be answered only by answering the first. It holds that one indispensable aim of science is \emph{durable, collective human understanding of the world, pursued in service of human ends and values}. From this principle it derives a two-part test for when a research task can be delegated to AI. The first part, \emph{human understanding}, requires that the scientific community remain able to explain, defend and contest the resulting claims, and retain the skills to do so. The second, \emph{human direction}, requires that judgments about which questions matter and what findings mean stay with accountable humans. Applying the test to each phase of research in the Contributor Roles Taxonomy (CRediT) yields recommendations that fields can tailor to their questions and methods. The framework differs from existing guidance in three ways. It rests on an account of what science is for rather than on integrity norms. It holds even if AI outperforms human researchers, rather than depending on AI's current limitations. And it judges each use of AI by its effects on human understanding and direction rather than by the type of tool, across every phase of research, including peer review and the training of new researchers. It closes with the reforms needed to keep science aimed at human understanding and direction.
• Abstract（参考訳）: AIが人間の研究者とコア科学のタスクを一致または超えるようになると、2つの疑問が押し寄せる: \emph{why}は人間が科学を続け、 \emph{how}はAIを使うべきか? 本論では,第2問は第1問に答えることによってのみ解答できると主張している。 科学の必然的な目的の1つは、人間の終わりと価値のために追求される、世界の集合的人間の理解である「emph{durable」である。 この原則から、研究タスクがAIに委譲可能な場合の2部テストが導かれる。 最初の部分である「emph{human understanding}」は、科学界が結果の主張を説明し、擁護し、異議を唱え、それを行うためのスキルを維持することを要求している。 第2の「emph{ human direction}」は、どの質問が重要か、どの発見が説明責任のある人間に留まるかを判断することを要求する。 コントリビュータ・ロールズ・タコノミー(CRediT)における研究の各段階にテストを適用することで、フィールドが彼らの質問や方法に合わせることができるように推奨する。 フレームワークは既存のガイダンスと3つの点で異なります。 それは、完全性規範ではなく、科学が何のためにあるのかを考慮に入れている。 AIの現在の制限に依存するのではなく、AIが人間の研究者より優れています。 そして、AIの使い方は、ツールの種類ではなく、人間の理解と方向に対する影響で判断し、ピアレビューや新しい研究者の訓練など、研究のあらゆる段階にわたって判断する。 人間の理解と方向性を目的とした科学を維持するために必要な改革に終止符を打つ。

関連論文リスト

• ScientistTwo: Pioneering the Human Knowledge Frontier with Autonomous AI [44.45984260326688]
  ScientistTwoは、問題駆動型AI研究のための、完全に自律的なマルチエージェントフレームワークである。 入力として最初の問題を取り、最先端のベースラインを確立し、新しい仮説を定式化し、特殊エージェントをコーディネートする。 多様なデータセットやメトリクスを使って実験を厳格に行い、方法論を洗練し、研究結果を検証している。
  論文  参考訳（メタデータ） (2026-09-17T03:37:42Z)
• AI-Integrated Scientific Inquiry: A Practice-Centered Vision for Science Education [0.9785041136819492]
  AIが科学的な調査に進むにつれ、科学教育の関連性も高まっていく。 学生は、AIが科学的な実践をどのように変えているかを学ぶ必要がある。 我々のビジョンでは、AIは学生が次世代科学標準によって記述された科学的実践の中で使用する一連の科学機器として扱われる。
  論文  参考訳（メタデータ） (2026-07-23T19:47:57Z)
• The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search [16.93028430619359]
  AI Scientist-v2は、AIが生成した最初のピアレビュー受け入れワークショップ用紙を生産できるエンドツーエンドのエージェントシステムである。 科学的な仮説を反復的に定式化し、実験を設計し、実行し、データを分析し、視覚化し、科学的な原稿を自律的に作成する。 ある写本は、平均的な人間の受け入れ閾値を超える十分なスコアを達成し、完全なAI生成論文がピアレビューをうまくナビゲートした最初の事例となった。
  論文  参考訳（メタデータ） (2025-04-10T18:44:41Z)
• Evaluating Sakana's AI Scientist: Bold Claims, Mixed Results, and a Promising Future? [20.188659973082643]
  サカナは先日,AI Scientistを導入して,自律的に研究を行うこと,すなわち,私たちがARI(Artificial Research Intelligence)と呼ぶものを達成したことを示唆している,と主張している。 AI Scientistの評価は、重大な欠点を明らかにします。
  論文  参考訳（メタデータ） (2025-02-20T06:22:03Z)
• Aligning Generalisation Between Humans and Machines [74.120848518198]
  AI技術は、科学的発見と意思決定において人間を支援することができるが、民主主義と個人を妨害することもある。 AIの責任ある使用と人間-AIチームへの参加は、AIアライメントの必要性をますます示している。 これらの相互作用の重要かつしばしば見落とされがちな側面は、人間と機械が一般化する異なる方法である。
  論文  参考訳（メタデータ） (2024-11-23T18:36:07Z)
• Human Bias in the Face of AI: Examining Human Judgment Against Text Labeled as AI Generated [48.70176791365903]
  本研究では、偏見がAIと人為的コンテンツの知覚をどう形成するかを考察する。 ラベル付きおよびラベルなしコンテンツに対するヒトのラッカーの反応について検討した。
  論文  参考訳（メタデータ） (2024-09-29T04:31:45Z)
• Explain the Black Box for the Sake of Science: the Scientific Method in the Era of Generative Artificial Intelligence [0.9065034043031668]
  我々は、人類の科学的発見のための複雑な推論が、少なくとも人工知能の出現以前には重要な存在であると主張している。 意思決定に使用されるAIシステムの原則を知ることは、ドメインの専門家や科学者と接触するポイントになり得る。 我々は、この分野を、予測AIシステムの解釈可能性に基づいて、領域の専門家が科学的仮説と説明を定式化する、説明可能な科学用AIと定義する。
  論文  参考訳（メタデータ） (2024-06-15T08:34:42Z)
• Can Machines Imitate Humans? Integrative Turing-like tests for Language and Vision Demonstrate a Narrowing Gap [56.611702960809644]
  3つの言語タスクと3つの視覚タスクで人間を模倣するAIの能力をベンチマークする。 次に,人間1,916名,AI10名を対象に,72,191名のチューリング様試験を行った。 模倣能力は従来のAIパフォーマンス指標と最小限の相関を示した。
  論文  参考訳（メタデータ） (2022-11-23T16:16:52Z)
• Trustworthy AI: A Computational Perspective [54.80482955088197]
  我々は,信頼に値するAIを実現する上で最も重要な6つの要素,(i)安全とロバスト性,(ii)非差別と公正,(iii)説明可能性,(iv)プライバシー,(v)説明可能性と監査性,(vi)環境ウェルビーイングに焦点をあてる。 各次元について、分類学に基づく最近の関連技術について概観し、実世界のシステムにおけるそれらの応用を概説する。
  論文  参考訳（メタデータ） (2021-07-12T14:21:46Z)

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。