論文の概要: Verification Learning Theory: A Process Model of Checking and Retention in AI-Assisted Judgment

• arxiv url: http://arxiv.org/abs/2610.37875v1
• Date: Tue, 27 Oct 2026 19:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.907651
• Title: Verification Learning Theory: A Process Model of Checking and Retention in AI-Assisted Judgment
• Title（参考訳）: 検証学習理論:AIによる判断におけるチェックと保持のプロセスモデル
• Abstract要約: このモデルは、認識されたアシスタントの信頼性を証拠確認にリンクし、それらのチェックの履歴をルール使用の保持にリンクする。 その厳密な形式は、タスク要求と認識された信頼性が、チェックを通じてのみ学習に影響を与えると仮定する。 検出された誤認は、観察された補助的誤りを伴わずに、遅延未然判定を改善することができると予測する。
• 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: Accurate AI assistance can improve immediate judgments while reducing opportunities to practise the operations needed for independent performance. Verification Learning Theory (VLT) formalises this possibility for claim-evaluation practice followed by correct, independent, rule-specific feedback. The model links perceived assistant reliability to evidence checking and links the history of those checks to retained rule use. Its strict form assumes that task demands and perceived reliability influence learning only through checking, with equal learning per genuine check. It therefore predicts that perceived fallibility can improve delayed unaided judgment even without observed assistant errors, and that this advantage disappears when checking is already required and performed. Rule-specific gains and forecasts from checking histories provide further tests. Simulations examine the consequences and parameter dependence of these commitments; they do not constitute empirical validation. Comparisons with depth-of-processing and feedback-encoding accounts identify where predictions diverge and where the accounts remain observationally equivalent. The framework specifies experiments that can test the proposed mechanism and separates retention of practised rules from the broader problem of recognising which rule applies to a new claim.
• Abstract（参考訳）: 正確なAIアシストは、独立パフォーマンスに必要な操作を実践する機会を減らしながら、即時判断を改善することができる。 検証学習理論(VLT)は、クレーム評価の実践と、正しい、独立した、ルール固有のフィードバックの可能性を定式化している。 このモデルは、認識されたアシスタントの信頼性を証拠確認にリンクし、それらのチェックの履歴をルール使用の保持にリンクする。 その厳密な形式は、タスク要求と認識された信頼性が、チェックを通じてのみ学習に影響を与えると仮定する。 したがって, 検出された誤認識は, 観察された補聴器の誤りを伴わずに, 遅れた判断を改善することができ, この優位性は, 既にチェックが必要であり, 実行されているときに消失する。 ルール固有の履歴とチェック履歴からの予測は、さらなるテストを提供します。 シミュレーションはこれらのコミットメントの結果とパラメータ依存を検証し、それらは経験的検証を構成するものではない。 ディープ・オブ・プロセッシングとフィードバック・エンコーディングのアカウントとの比較では、予測が分岐する場所と、そのアカウントが観察的に等価な場所を特定する。 このフレームワークは、提案されたメカニズムをテストし、実行されたルールの保持を、新しいクレームにどのルールを適用するかを認識するというより広範な問題から分離する実験を規定する。

関連論文リスト

• VeriFine: Scaling Verification for Self-Improvement in Embodied Reasoning [80.69185348729495]
  我々は,政策の共進化,訓練カリキュラム,審査を通じて検証をスケールする枠組みを導入する。 ポリシー改善ループは、繰り返し発生する障害を診断し、適応的なカリキュラムを構築し、ポリシーを最適化するためにルーリックな判断を使用する。 運転およびロボットナビゲーションタスクの実験は、ポリシーと判断能力の両方において継続的な自己改善を示す。
  論文  参考訳（メタデータ） (2026-10-06T17:50:29Z)
• Tolerance-Based Fairness Auditing: Violation Certification and Sensitivity Screening [19.29504560850396]
  本研究では,2つの相補的な監査目的のための統一された寛容に基づく公正監査フレームワークを開発する。 最初の目的として、最小点校正を用いた形式的設定のための制約付き経験的可能性テストを開発する。 第2の目的は, 適応的境界-プロキシ原理を用いて, 分割実験可能性と調整された分割実験可能性テストを開発することである。
  論文  参考訳（メタデータ） (2026-10-01T03:49:53Z)
• Evaluating Persistent Calibration under Evolving Model Knowledge [62.14945418630062]
  我々は、信頼度が知識に依存しているかどうかを、信頼度推定の信頼性に影響を及ぼす問題に光を当てることを目指している。 予測時間と微調整法の両方が,将来のチェックポイントで訓練されたオラクル法と比較して,コントラストセットの校正で不足していることを示す。 あるチェックポイント上で適切に校正される可能性のある信頼関数の広大な空間が存在するため、永続的な校正が難しいという仮説の証拠を提供する。
  論文  参考訳（メタデータ） (2026-09-30T02:29:31Z)
• Complex Problem Solving in Large Language Models: A Statistical Control Survey and Diagnostic Framework [52.886947585847594]
  大規模言語モデル(LLM)による複雑な問題解決は、しばしばより強い推論やより長い生成の問題としてフレーム化される。 しかし、早期のエラー増幅、迅速な脆さ、誤ったコミットメントを修正する失敗を説明するのは難しい。 本調査はCPSを潜在解状態上の逐次推定・決定問題と解釈する。
  論文  参考訳（メタデータ） (2026-09-17T18:28:45Z)
• RecurSE: Bounded Recursive Self-Evaluation for LLM Rubric Judges [48.831446371402414]
  RecurSEは、訓練可能な裁判官と同期されたポリシーコピーチェッカーをペアにして、裁判官のメタルーブリックに対する推論を監査し、スカラープロセスの報酬を提供する。 本稿では,RecurSEが医療,ペアワイド,要約,プロフェッショナルベンチマークにおいて一貫した一般化を実現していることを示す。
  論文  参考訳（メタデータ） (2026-08-25T08:35:04Z)
• Manipulation-Proof Oblivious Audits against Deceptive Model Providers [4.614773550999029]
  規制の文脈では、監査は通常、宣言または容易に検出され、モデルプロバイダがプロセスを操作することができる。 この脆弱性は、フェアネス評価の文脈では特に深刻である。 本稿では,このような操作の聴取後検出可能性を大幅に向上する新しい監査プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-08-05T02:12:54Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Diagnosing LLM Arbitration Behavior over Pre-evidence Epistemic States in RAG-based Fact-Checking [14.164769475625391]
  RAGベースのファクトチェックでは、LLMは、検索された証拠に対して与えられたクレームをチェックするための検証器として、ますます使われている。 我々は,LSM検証を4つのてんかん状態に階層化する診断テストベッドであるtextscPAVE(emphPrior-Aware Verifier Evaluation)を紹介する。 実験により、現実のRAGベースのファクトチェックアプリケーションにおいて、検証者選択の重要性が浮かび上がっている。
  論文  参考訳（メタデータ） (2026-05-31T09:37:56Z)
• 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)
• MathLedger: A Verifiable Learning Substrate with Ledger-Attested Feedback [0.0]
  現代のAIシステムは異常なパフォーマンスを達成するが、不透明で検証不可能なままである。 我々は,形式的検証,暗号証明,学習ダイナミクスを統合した,検証可能なマシン認知のための基板であるMathLedgerを紹介する。 この貢献は非構造的であり、大規模な監査性を実現する台帳による学習の実践的なプロトタイプである。
  論文  参考訳（メタデータ） (2025-12-22T19:27:55Z)

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。