論文の概要: Today's Work, Tomorrow's Workforce: Incentivizing Learning in AI-Assisted Work
- arxiv url: http://arxiv.org/abs/2611.06346v1
- Date: Wed, 04 Nov 2026 11:07:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.089712
- Title: Today's Work, Tomorrow's Workforce: Incentivizing Learning in AI-Assisted Work
- Title（参考訳）: 今日の仕事、明日の労働力:AI支援作業における学習のインセンティブ
- Abstract要約: 我々は、既存の受け入れまたは解決モデルを拡張し、労働者のスキルが独立した実践とAIへの依存を通じて進化する一連のタスクに拡張する。
初心者は低いスキルレベルに閉じ込められる可能性があるが、専門家はAI支援による結果の精度が高くても、スキルを失う可能性がある。
労働者が十分なスキルを身につけ、インセンティブを継続する必要がなくなると、独立した作業が自己維持できることを示す。
- 参考スコア（独自算出の注目度）: 6.045133920580658
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: At work, people develop skills through experience: novices acquire skills by completing tasks, while experts retain theirs through continued practice. AI assistance changes this process by offering workers a choice between solving tasks independently and accepting the AI's answers. While relying on AI saves immediate effort, it can also displace the practice needed to acquire and retain skills, including those required to oversee the AI. We extend an existing accept-or-solve model to a sequence of tasks in which workers' skills evolve through independent practice and reliance on AI. We compare myopic workers, who maximize immediate utility, with strategic workers, who also value their future skills. We show that novices can become trapped at low skill levels, while experts may lose skill, even as AI-assisted outcome accuracy remains high. Strategic workers, by contrast, may choose to solve independently even when AI is more accurate, recognizing the future value of acquiring and retaining their skills. We then study incentives that reward correct independent work and characterize the payments needed to encourage skill acquisition and retention. We show that independent work can become self-sustaining once workers acquire sufficient skill, eliminating the need for continued incentives. Counterintuitively, supporting a higher skill target can sometimes reduce long-run incentive costs, either by enabling self-sustaining independent work or by lowering the payments needed to maintain proficiency. Our findings thereby shift the focus from whether workers should rely on AI on individual tasks to how organizations can sustain human expertise over time, and which skills are worth investing in.
- Abstract（参考訳）: 初心者はタスクを完了してスキルを獲得し、専門家は継続的な練習を通じてスキルを保持します。
AIアシストは、労働者にタスクを独立して解決し、AIの回答を受け入れる選択肢を提供することによって、このプロセスを変えます。
AIに頼ることで、即時的な労力を節約できる一方で、AIを監督するために必要なものを含め、スキルの獲得と維持に必要なプラクティスを置き換えることもできる。
我々は、既存の受け入れまたは解決モデルを拡張し、労働者のスキルが独立した実践とAIへの依存を通じて進化する一連のタスクに拡張する。
我々は、即時効用を最大化する筋力労働者と、将来のスキルを重んじる戦略的労働者とを比較した。
初心者は低いスキルレベルに閉じ込められる可能性があるが、専門家はAI支援による結果の精度が高くても、スキルを失う可能性がある。
対照的に、戦略的労働者は、AIがより正確である場合でも独立して解決することを選択でき、彼らのスキルの獲得と保持の将来の価値を認識します。
次に、独立した作業に報酬を与えるインセンティブを研究し、スキル獲得と維持を促進するために必要な支払いを特徴付ける。
労働者が十分なスキルを身につけ、インセンティブを継続する必要がなくなると、独立した作業が自己維持できることを示す。
対極的には、より高いスキル目標を支持することは、自己維持的な独立作業を可能にするか、熟練性を維持するために必要な支払いを減らすことによって、長期のインセンティブコストを減少させることがある。
その結果、労働者が個々のタスクにAIを頼るべきかどうか、組織が時間の経過とともに人間の専門知識を維持できる方法、投資に値するスキルに焦点を移すことができた。
関連論文リスト
- When Does AI Augment Work? A Workflow-Level Framework for Human-Agent Collaboration [78.16115745870405]
職場における人工知能の価値を特徴付けることを目的としている。
現在の研究は、この価値を、現在の自動化能力とAIの公的な採用の観点から大きく測定している。
これを考慮するためには、今日の微粒化タスクを超えて分析の範囲を広げなければならない。
論文 参考訳（メタデータ） (2026-09-11T06:29:34Z) - How AI Assistance Affects Human Skill Development: A Study of Learning with Logic Puzzles [12.810110526024873]
オンデマンドAI支援を含む制御論理パズル実験における緊張度について検討する。
低コストの支援によって、AIの使用がより頻繁になることがわかりました。
また、AIアクセスフェーズ中にAI支援を要求する参加者は、援助を取り除いた後、そのタスクでさらに悪化することがわかった。
論文 参考訳（メタデータ） (2026-08-24T17:46:11Z) - SkillOS: Learning Skill Curation for Self-Evolving Agents [67.94374107466957]
本稿では,自己進化エージェントのスキルキュレーションを学習するための,経験駆動型RLトレーニングレシピであるSkillOSを提案する。
SkillOSは、凍結したエージェントエグゼキュータとトレーニング可能なスキルキュレーターを組み合わせて、蓄積したエクスペリエンスから外部SkillRepoを更新する。
SkillOSは、メモリフリーと強力なメモリベースラインを、有効性と効率の両方で一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2026-05-07T17:31:50Z) - Upskilling with Generative AI: Practices and Challenges for Freelance Knowledge Workers [4.492627529186356]
ChatGPTのようなAIによる生成ツールは、市場スキルの需要を変えつつある。
学習のためのジェネレーティブAIは、プラットフォームベースの仕事における前衛と競争と相互作用する。
私たちは、学習を成長として、学習を生存として、というシフトを認識しています。
論文 参考訳（メタデータ） (2026-04-29T22:02:17Z) - How AI Impacts Skill Formation [12.295096074858932]
我々は、開発者がAIの助けなしに新しい非同期プログラミングライブラリを習得した方法について研究する。
AIは概念的理解、コード読み込み、デバッグ能力に障害があるが、平均的な効率性は得られない。
我々は6つの異なるAIインタラクションパターンを特定し、そのうち3つは認知的エンゲージメントと学習結果の保存を含む。
論文 参考訳（メタデータ） (2026-01-28T04:40:43Z) - Training for Obsolescence? The AI-Driven Education Trap [0.0]
我々は、AIを採用するという決定は、AIの将来の賃金抑制効果をこれらのスキルに内在させることができない、その教育生産性によってもたらされる教育プランナーをモデル化する。
我々の発見は、前向きな労働市場信号と組み合わせなければ、教育におけるAIを促進する政策が、学生の長期的資本をパラドックス的に損なう可能性があることを警告した。
論文 参考訳（メタデータ） (2025-08-27T07:04:19Z) - Cybertrust: From Explainable to Actionable and Interpretable AI (AI2) [58.981120701284816]
Actionable and Interpretable AI (AI2)は、AIレコメンデーションにユーザの信頼度を明確に定量化し視覚化する。
これにより、AIシステムの予測を調べてテストすることで、システムの意思決定に対する信頼の基盤を確立することができる。
論文 参考訳（メタデータ） (2022-01-26T18:53:09Z) - Example-Driven Model-Based Reinforcement Learning for Solving
Long-Horizon Visuomotor Tasks [85.56153200251713]
長軸ビズモータタスクの完了に適したプリミティブスキルを学習するためのモデルベースRL手法EMBRを紹介する。
フランカ・エミカのロボットアームでは、EMBRによってロボットは85%の成功率で3つの長い水平視運動タスクを完了できることがわかった。
論文 参考訳（メタデータ） (2021-09-21T16:48:07Z) - Discovering Generalizable Skills via Automated Generation of Diverse
Tasks [82.16392072211337]
本稿では,多種多様なタスクの自動生成による一般化可能なスキルの発見手法を提案する。
教師なしスキル発見の先行研究とは対照的に,本手法では各スキルをトレーニング可能なタスクジェネレータが生成するユニークなタスクとペアリングする。
生成したタスクにおけるロボットの動作に定義されたタスク判別器を共同で訓練し、多様性目標の低いエビデンスを推定する。
学習スキルは階層的な強化学習アルゴリズムで構成され、目に見えない目標タスクを解決する。
論文 参考訳（メタデータ） (2021-06-26T03:41:51Z) - Effect of Confidence and Explanation on Accuracy and Trust Calibration
in AI-Assisted Decision Making [53.62514158534574]
ケース固有のモデル情報を明らかにする特徴が、信頼度を調整し、人間とAIのジョイントパフォーマンスを向上させることができるかどうかを検討する。
信頼スコアは、AIモデルに対する人々の信頼を校正するのに役立ちますが、信頼の校正だけでは、AI支援による意思決定を改善するには不十分です。
論文 参考訳（メタデータ） (2020-01-07T15:33:48Z)
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。