AutoAnalysis 自动元分析：人机组合优于人类单独，但不及更优一方
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇题为 AutoAnalysis 的论文提出可自动更新的人机协作元分析框架，用于回答人类与 AI 何时合作更优、何时单独工作更优。最新一次运行汇总了 420 篇论文中的 1955 个效应量。结果显示，人机组合的平均表现显著优于人类单独工作，但显著低于人类或 AI 中表现更好的那一方。作者据此区分了提升人类表现与实现人机协同，并主张评估协作时应同时对照人类单独表现和 AI 单独表现。随着新研究出现，该框架会把结果纳入分析，持续给出累积证据，并考察不同 AI 代理、任务与流程下的差异。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载框架要解决的问题
生成式 AI 能力增强、使用范围扩大后，人类应如何与之配合成为实际问题。但这一领域的实证结论彼此冲突，个人与组织难以据此判断何时该把人类与 AI 的能力合在一起用。已有的元分析能调和部分分歧，却依赖大量人工整理，也难以随新证据出现而及时更新。AutoAnalysis 的定位就是把这个过程自动化并保持自我更新，持续回答人机何时合作更好、何时各自单独更好。
最新一次运行的结果
该框架最近一次运行整合了 420 篇论文中的 1955 个效应量。跨这批研究得到的平均结论有两层：人机组合的表现显著好于人类单独工作；但人机组合显著差于人类或 AI 中表现更好的那一方。也就是说，把人和 AI 放在一起，并不自动等于取得两者中更强一方的水平。作者由此强调，提升人类自身表现与实现真正的人机协同是两个不同目标，评估协作效果时需要同时以人类单独表现和 AI 单独表现为参照系。
持续累积的证据
AutoAnalysis 被设计为随新研究出现而更新：新产生的实证结果会被并入元分析，形成关于人机何时配合更优的累积证据。除总体平均效应外，该框架还关注人机表现如何随 AI 代理、任务类型与流程不同而变化。论文提供了可访问的地址，供查看数据与最新结果，并归入人机交互、人工智能、计算与社会、数字图书馆等分类。
为什么值得看
用近两千个效应量给出反直觉结论：人机组合未必胜过更强的单方，为协作设计提供量化参照。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。