論文の概要: AutoAnalysis: An automated, self-updating meta-analysis of human-AI collaboration
- arxiv url: http://arxiv.org/abs/2610.42001v1
- Date: Fri, 30 Oct 2026 16:44:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.814967
- Title: AutoAnalysis: An automated, self-updating meta-analysis of human-AI collaboration
- Title（参考訳）: AutoAnalysis: 人間とAIのコラボレーションを自動で自己更新するメタ分析
- Abstract要約: 私たちはAutoAnalysisを紹介します: 自動化された自己更新型メタ分析で、人間とAIがよりうまく連携する方法を説明します。
平均すると、人間とAIの組み合わせは人間単独よりもはるかに優れていましたが、人間単独やAI単独よりもはるかに悪くなりました。
発見は、人間のパフォーマンスの向上と人間とAIのシナジーの達成の間に重要な違いを浮き彫りにする。
- 参考スコア（独自算出の注目度）: 2.1665689529884697
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As generative artificial intelligence (AI) becomes more capable and widely used, understanding when and how humans should work with these systems is becoming increasingly important. However, the empirical evidence in this space offers conflicting recommendations, which leaves individuals and organizations without clear guidance on when to combine human and AI capabilities. Existing meta-analyses can help reconcile these findings, but they require substantial manual effort and cannot readily incorporate new evidence as it emerges. To address this challenge, we introduce AutoAnalysis: an automated, self-updating meta-analysis of when humans and AI work better together, and when they work better alone. AutoAnalysis' most recent run synthesizes 1,955 effect sizes from 420 papers. Across this body of work, we found that, on average, human-AI combinations performed significantly better than humans alone, but they performed significantly worse than the better of humans or AI alone. These findings highlight the important distinction between improving human performance and achieving human-AI synergy and underscore the need to evaluate collaboration against both human and AI performance alone. As new studies emerge, AutoAnalysis will integrate their findings into the meta-analysis, providing cumulative evidence about when humans and AI perform better together and how human-AI performance varies across AI agents, tasks, and processes.
- Abstract（参考訳）: 生成的人工知能(AI)がより有能で広く使われるようになるにつれ、人間がいつ、どのようにこれらのシステムを扱うべきかを理解することがますます重要になっている。
しかし、この分野の実証的な証拠は矛盾するレコメンデーションを提供しており、それによって個人や組織は、いつ人間とAIの能力を組み合わせるべきかを明確に示していない。
既存のメタ分析はこれらの発見を整理するのに役立ちますが、かなりの手作業が必要で、新たな証拠が現れると簡単には組み込めません。
この課題に対処するために、オートアナリシス(AutoAnalysis)を紹介します。人間とAIがより良く働くとき、そして、より良く働くとき、自動で自己更新するメタアナリシスです。
AutoAnalysisは420枚の論文から1,955個の効果サイズを合成している。
この作業の全体にわたって、人間とAIの組み合わせは平均して人間単独よりもはるかに優れていましたが、人間やAI単独よりもはるかに悪い結果が得られました。
これらの知見は、人間のパフォーマンスの向上と人間とAIの相乗効果の達成の間に重要な違いを浮き彫りにし、人間とAIのパフォーマンスのみに対するコラボレーションを評価する必要性を浮き彫りにしている。
新しい研究が出現すると、AutoAnalysisは研究結果をメタアナリシスに統合し、人間とAIがどのようにうまく機能するか、AIエージェント、タスク、プロセス間でAIのパフォーマンスがどのように変化するかについての累積的な証拠を提供する。
関連論文リスト
- The Boundaries of Automation: A Theory of Persistent Human Participation [107.84677954791773]
高い能力を持つAIシステムであっても、人間の参加は継続する可能性がある、と私たちは主張する。
一部のアクティビティでは、ターゲットは事前に完全に指定されるのではなく、代わりにインタラクション自体を通じて現れる。
この観点は、自動化の限界に重要な意味を持つ。
論文 参考訳（メタデータ） (2026-07-23T17:33:43Z) - Align When They Want, Complement When They Need! Human-Centered Ensembles for Adaptive Human-AI Collaboration [13.041288521972563]
人間とAIの意思決定において、人間の専門知識を補完するAIを設計することは、人間とAIのコラボレーションを強化する自然な戦略である。
一致したAIは、信頼を育みながら、最適な人間の行動を補強し、人間とAIチームのパフォーマンスを低下させるリスクを負う。
我々は、2つの専門的AIモデルの間で戦略的に切り替える、人間中心の適応型AIアンサンブルを新たに導入する。
論文 参考訳（メタデータ） (2026-02-23T18:22:58Z) - From Augmentation to Symbiosis: A Review of Human-AI Collaboration Frameworks, Performance, and Perils [0.8629912408966147]
人間中心AIのスーパーツール」と共生知能の相互適応モデルについて研究した。
我々は、AIが内部化された認知コンポーネントとして機能するときに、永続的な利益が生じることを疑問視する、拡張自己と二重プロセス理論を一体化したフレームワークで締めくくります。
論文 参考訳（メタデータ） (2025-11-07T19:11:33Z) - 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) - Explainable Human-AI Interaction: A Planning Perspective [32.477369282996385]
AIシステムは、ループ内の人間に説明可能である必要がある。
我々は、AIエージェントがメンタルモデルを使用して人間の期待に沿うか、あるいは説明的コミュニケーションを通じて期待を変更する方法について論じる。
本書の主な焦点は、協調的なシナリオであるが、同じ精神モデルが難読化や偽造にどのように使用できるかを指摘したい。
論文 参考訳（メタデータ） (2024-05-19T22:22:21Z) - When combinations of humans and AI are useful: A systematic review and meta-analysis [0.0]
我々は300以上の効果サイズを報告した100以上の最近の研究のメタ分析を行った。
平均して、人間とAIの組み合わせは、人間とAI単独のベストよりもはるかに悪い結果が得られた。
論文 参考訳（メタデータ） (2024-05-09T20:23:15Z) - 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) - Learning to Complement Humans [67.38348247794949]
オープンワールドにおけるAIに対するビジョンの高まりは、知覚、診断、推論タスクのために人間を補完できるシステムの開発に焦点を当てている。
我々は,人間-機械チームの複合的なパフォーマンスを最適化するために,エンド・ツー・エンドの学習戦略をどのように活用できるかを実証する。
論文 参考訳（メタデータ） (2020-05-01T20:00:23Z) - Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。
我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。
実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
論文 参考訳（メタデータ） (2020-04-27T19:06:28Z)
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。