論文の概要: Do Machines Learn Deviance From Their Peers? A Randomized Test of Differential Association With AI Agents
- arxiv url: http://arxiv.org/abs/2611.18098v1
- Date: Fri, 13 Nov 2026 12:26:49 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:27:36.339038
- Title: Do Machines Learn Deviance From Their Peers? A Randomized Test of Differential Association With AI Agents
- Title(参考訳): 機械は配偶者から死を学ぶか?AIエージェントと異なる関係のランダムなテスト
- Abstract要約: AIエージェントはコミュニケーションを通じてのみ学習し、ランダムにピアに割り当てられる。
事前登録された実験では、3人のエージェントからなる420チームが、正直に解決できないコーディングタスクに取り組みました。
不正を犯したエージェントの間では、逸脱した仲間が不正が正常であるという主張を強めた。
- 参考スコア(独自算出の注目度): 0.10923877073891443
- License:
- Abstract: Differential association theory and its extension, social learning theory, hold that rule-breaking, and the definitions that make it acceptable, are learned through interaction with others. Because people choose their friends, this claim has been hard to test. We addressed this selection problem with AI agents, which learn only through communication and can be assigned to peers at random. In a preregistered experiment, 420 teams of three agents (1,260 agents; seven AI models) worked on coding tasks that could not be solved honestly. A scripted teammate said that it had cheated (deviant peer), that it had reported the problem honestly (honest peer), or said nothing (silent peer). Half of the teams were told that an auditor read their chat. Compared with a silent peer, a deviant peer increased cheating (66.2% vs. 62.9%; OR = 1.96) and an honest peer reduced it (55.7%; OR = 0.35). Among agents that cheated, a deviant peer increased claims that cheating was normal (13.7% vs. 3.4%), often as the team's norm. Monitoring did not suppress prohibited discussion; it doubled it. Peers mattered only for models that had not yet decided. AI agents offer a new way to test criminological learning theories without selection effects.
- Abstract(参考訳): 差分関連理論とその拡張、社会学習理論は、ルール破りとそれを許容する定義は、他者との相互作用を通じて学習される。
人は友達を選ぶので、この主張は試すのが難しい。
我々は、この選択問題をAIエージェントで解決し、コミュニケーションを通してのみ学習し、ランダムにピアに割り当てることができる。
事前登録された実験では、3人のエージェント(1,260人のエージェント、7つのAIモデル)からなる420のチームが、正直に解決できないコーディングタスクに取り組んでいた。
スクリプト付きチームメイトは、不正行為をした(異端者)、問題を正直に報告した(最高の仲間)、何も言わなかった(サイレントな仲間)、と言った。
半数のチームは、監査人がチャットを読んでいると言われた。
サイレントピアと比較して、熱心なピアは浮気(66.2%対62.9%、OR = 1.96)を増やし、正直なピアはそれを減らした(55.7%、OR = 0.35)。
不正行為をしたエージェントの間では、熱心な仲間が不正行為が正常(13.7%対3.4%)であり、しばしばチームの規範であると主張した。
監視は禁止された議論を抑えるものではなかった。
ピアスは、まだ決めていないモデルにのみ重要だった。
AIエージェントは、選択効果なしで犯罪学的学習理論をテストする新しい方法を提供する。
関連論文リスト
- Where Is the Truth When AI Agents Disagree? Dependence-Aware Belief Propagation for Unsupervised Truth Discovery (Extended Version) [0.261072980439312]
LLMエージェントの真正解と各エージェントの信頼性をラベルなしで推定し,真正解を求める。
本稿では, BP-TDを提案する。これは, 平均場変動推定に, エージェントごとのデコリレーション重みを付加するものである。
MMLUに13人のローカルエージェントがいるため、BP-TDは160の質問に対して0.716対0.624対0.674対10,000)ラベルなしで多数票を獲得し、エージェントを真の精度でランク付けし、古典的な推定者は逆転する。
論文 参考訳(メタデータ) (2026-11-03T12:40:19Z) - Measuring AI Agents as Teammates with Collaborative Intelligence [32.22835042457337]
コラボレーションインテリジェンスベンチマークは、AIエージェントがチームメイトとしてどのように機能するかを測定する。
チームワークの8次元にわたる240のタスクが含まれており、安全でないショートカットを拒否するから、弱いモデルが残した作業をチェックするまでである。
私たちは18のクローズドおよびオープンウェイトモデルを評価し、サイズや家族を問わず、すべてのモデルがチームメイトとして明確な弱点を持っていることに気付きました。
論文 参考訳(メタデータ) (2026-11-02T06:59:08Z) - Pressure, Context, and Machine Self-Control: A Criminological Test of Reward Hacking in Generative AI Models [0.12277343096128711]
最近のインシデントでは、AIエージェントが無許可の手段によって測定された目標に達することがある。
本研究は, 生成型AIモデルにおけるハッキングに対する報奨として, 自己制御, 一般ひずみ, 匿名性, 中立性, 日常活動理論を適用した。
論文 参考訳(メタデータ) (2026-10-03T22:37:05Z) - Reward Hacking Challenges Oversight of Autonomous Research Agents [104.38175629103235]
自律的な研究エージェントは実験を設計し、結果を評価し、レポートを書き、科学的結果とそれを支持する証拠の両方を制御できる。
これは、意図した目標を達成することなく、報酬基準を満たす、報酬ハックのリスクを生み出す。
そこで本研究では,ハッキングが許可された場合,その方法がいかに効果的かつ検出可能か,LCMレビューパネルが意思決定と理由を返却した場合にどのように適応するか,などについて検討する。
論文 参考訳(メタデータ) (2026-09-23T17:54:01Z) - Self-Organizing Agent Teams Learn to Reason Together [52.45199430212268]
私たちは、以前のコラボレーションから再利用可能な戦略を学び、役割、会話フェーズ、参加、情報の流れを整理する、AIエージェントの固定チームである、自己組織化エージェントチーム(SAT)を紹介します。
これらの戦略は、私たちがコラボレーティブ計算と呼ぶものを可能にします。エージェントの交換、チャレンジ、修復、そして、メンバーが独立して生成しないソリューションへの部分的推論を合成します。
論文 参考訳(メタデータ) (2026-09-19T01:27:40Z) - Can Humans Detect AI? Mining Textual Signals of AI-Assisted Writing Under Varying Scrutiny Conditions [0.0]
この研究は、AI検出の脅威が、人々がAIで書く方法を変え、他の人がその違いを知ることができるかどうかを問う。
2段階制御実験では、21人の参加者が遠隔作業に関する意見書を書いた。
半分はランダムにAI検出ツールでスキャンされると警告され、残り半分は警告を受けなかった。
論文 参考訳(メタデータ) (2026-04-25T23:34:44Z) - The AI in the Mirror: LLM Self-Recognition in an Iterated Public Goods Game [0.8594140167290097]
2つの条件で4つの推論モデルと非推論モデルの挙動を解析する。
異なる設定で、自分たちが自分たちと対戦しているとLLMに話すことで、協力する傾向が著しく変化していることに気付きました。
本研究は玩具環境で実施されているが, エージェントが互いに「無意識に」差別しあうことで, 協力関係の促進や低下が期待できるマルチエージェント環境について考察した。
論文 参考訳(メタデータ) (2025-08-25T20:35:03Z) - Bandit Social Learning: Exploration under Myopic Behavior [54.767961587919075]
オンラインプラットフォーム上でのレビューによって動機付けられた社会学習のダイナミクスについて検討する。
エージェントはまとめて単純なマルチアームのバンディットプロトコルに従うが、各エージェントは探索を伴わずにミオプティカルに振る舞う。
このような振る舞いに対して,スターク学習の失敗を導出し,好意的な結果を提供する。
論文 参考訳(メタデータ) (2023-02-15T01:57:57Z) - Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。
提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。
次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
論文 参考訳(メタデータ) (2022-03-10T02:37:39Z)
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。