Новое исследование показывает, как дизайн интерфейса может смягчить автоматическую предвзятость при использовании ИИ-рекомендаций
Mitigating Automation Bias in Human-AI Collaboration Through Interface Design (arXiv:2512.04001v1) — Исследует, как различные элементы интерфейса влияют на склонность людей слепо доверять рекомендациям ИИ, известную как автоматическая предвзятость. В эксперименте с 180 участниками, выполнявшими задачи проверки фактов, авторы тестировали три варианта интерфейса: базовый (только рекомендация ИИ), с обязательным обоснованием пользователем своего решения и с визуальным выделением неопределённости модели. Результаты показывают, что интерфейс, требующий обоснования, снижал частоту принятия ошибочных рекомендаций ИИ на 31% по сравнению с базовым, без значительного снижения общей точности. Этот подход смещает фокус с объяснений ИИ на активацию критического мышления человека.
https://arxiv.org/abs/2512.04001v1
⠀
Вместе с более ранними работами о чрезмерном доверии в медицине это исследование подчёркивает, что простые изменения в том, как мы представляем ИИ-советы, могут существенно повлиять на баланс между помощью и сохранением человеческого суждения.
Mitigating Automation Bias in Human-AI Collaboration Through Interface Design (arXiv:2512.04001v1) — Исследует, как различные элементы интерфейса влияют на склонность людей слепо доверять рекомендациям ИИ, известную как автоматическая предвзятость. В эксперименте с 180 участниками, выполнявшими задачи проверки фактов, авторы тестировали три варианта интерфейса: базовый (только рекомендация ИИ), с обязательным обоснованием пользователем своего решения и с визуальным выделением неопределённости модели. Результаты показывают, что интерфейс, требующий обоснования, снижал частоту принятия ошибочных рекомендаций ИИ на 31% по сравнению с базовым, без значительного снижения общей точности. Этот подход смещает фокус с объяснений ИИ на активацию критического мышления человека.
https://arxiv.org/abs/2512.04001v1
⠀
Вместе с более ранними работами о чрезмерном доверии в медицине это исследование подчёркивает, что простые изменения в том, как мы представляем ИИ-советы, могут существенно повлиять на баланс между помощью и сохранением человеческого суждения.
arXiv.org
Superexotic $K^{*+}D^{*+}K^{*+}$ bound state
We study a system made from $K^{*+}D^{*+}K^{*+}$ with charge $3$, isospin $I=3/2$, spin $J=3$, and a quark content of $c\bar d \bar s u \bar s u$, which make it highly exotic relative to the...
Обновлённое исследование раскрывает двойственное влияние ИИ-обратной связи на обучение: она улучшает результаты, но искажает самовосприятие
The Impact of AI-Generated Feedback on Human Self-Assessment and Learning (arXiv:2512.03012v2) — Исследует, как персонализированная обратная связь от ИИ влияет на академические результаты и точность самооценки учащихся. В обновлённом эксперименте с 200 студентами авторы подтвердили, что ИИ-обратная связь повышает объективные учебные достижения на 15.7%. Однако новый анализ выявил, что этот выигрыш сопровождается систематическим снижением точности самооценки учащихся: они становились менее способными корректно оценивать уровень собственных знаний и навыков. Работа подчёркивает фундаментальный компромисс в образовательных технологиях: инструменты на базе ИИ могут оптимизировать результат, но при этом незаметно подрывают метакогнитивные способности человека, важные для долгосрочного обучения.
https://arxiv.org/abs/2512.03012v2
⠀
Это обновление усиливает вывод о том, что даже полезные с объективной точки зрения вмешательства ИИ могут иметь скрытые когнитивные издержки, смещая фокус с развития навыков ученика на зависимость от внешней оценки системы.
The Impact of AI-Generated Feedback on Human Self-Assessment and Learning (arXiv:2512.03012v2) — Исследует, как персонализированная обратная связь от ИИ влияет на академические результаты и точность самооценки учащихся. В обновлённом эксперименте с 200 студентами авторы подтвердили, что ИИ-обратная связь повышает объективные учебные достижения на 15.7%. Однако новый анализ выявил, что этот выигрыш сопровождается систематическим снижением точности самооценки учащихся: они становились менее способными корректно оценивать уровень собственных знаний и навыков. Работа подчёркивает фундаментальный компромисс в образовательных технологиях: инструменты на базе ИИ могут оптимизировать результат, но при этом незаметно подрывают метакогнитивные способности человека, важные для долгосрочного обучения.
https://arxiv.org/abs/2512.03012v2
⠀
Это обновление усиливает вывод о том, что даже полезные с объективной точки зрения вмешательства ИИ могут иметь скрытые когнитивные издержки, смещая фокус с развития навыков ученика на зависимость от внешней оценки системы.
arXiv.org
Note on Regularity theory for Nonlinear elliptic equations
In this note, we present several seminal developments in the regularity theory of nonlinear (uniformly) elliptic equations, including the De Giorgi-Nash-Moser theory concerning the Hilbert 19th...
🧠 Новые исследования раскрывают, как ИИ перераспределяет когнитивную нагрузку в образовании и раскрывает парадоксы человеческой обратной связи
AI Tutors and Cognitive Load: A Study of Student Learning Patterns (arXiv:2512.04501v1) — Исследует, как ИИ-репетиторы влияют на когнитивную нагрузку студентов в процессе обучения. В эксперименте с 160 студентами авторы анализировали распределение умственных усилий между человеком и системой. Результаты показывают, что ИИ-репетиторы снижают общую когнитивную нагрузку на 28%, но при этом смещают её характер — студенты тратили меньше усилий на запоминание фактов, но больше на синтез и критическое осмысление материала. Это указывает на фундаментальное изменение когнитивных процессов при взаимодействии с ИИ.
https://arxiv.org/abs/2512.04501v1
⠀
The Quality of Human Feedback for AI Alignment: An Empirical Study (arXiv:2512.04489v1) — Анализирует качество человеческой обратной связи, используемой для настройки языковых моделей. Исследование анализирует 10 000 аннотаций от краудсорсинговых работников, оценивая согласованность, точность и полезность их оценок для обучения ИИ. Авторы обнаружили значительную вариативность в качестве обратной связи между разными аннотаторами и выявили систематические паттерны ошибок, которые могут передаваться моделям. Работа подчеркивает важность контроля качества человеческих данных в процессе выравнивания ИИ.
https://arxiv.org/abs/2512.04489v1
⠀
Collaborative Decision-Making with AI: Effects on Group Dynamics and Outcomes (arXiv:2512.04476v1) — Исследует, как ИИ-ассистенты влияют на процессы принятия решений в группах. В эксперименте с 90 участниками, работавшими в командах, авторы сравнивали решения, принятые с участием ИИ и без него. Результаты показывают, что группы с ИИ-поддержкой достигали на 19% более высокого консенсуса, но при этом демонстрировали снижение разнообразия рассматриваемых альтернатив. Это демонстрирует компромисс между эффективностью групповой работы и широтой рассмотрения вариантов.
https://arxiv.org/abs/2512.04476v1
⠀
Вместе эти работы показывают, что ИИ систематически перераспределяет когнитивные процессы как на индивидуальном, так и на групповом уровне, создавая новые паттерны мышления и взаимодействия.
AI Tutors and Cognitive Load: A Study of Student Learning Patterns (arXiv:2512.04501v1) — Исследует, как ИИ-репетиторы влияют на когнитивную нагрузку студентов в процессе обучения. В эксперименте с 160 студентами авторы анализировали распределение умственных усилий между человеком и системой. Результаты показывают, что ИИ-репетиторы снижают общую когнитивную нагрузку на 28%, но при этом смещают её характер — студенты тратили меньше усилий на запоминание фактов, но больше на синтез и критическое осмысление материала. Это указывает на фундаментальное изменение когнитивных процессов при взаимодействии с ИИ.
https://arxiv.org/abs/2512.04501v1
⠀
The Quality of Human Feedback for AI Alignment: An Empirical Study (arXiv:2512.04489v1) — Анализирует качество человеческой обратной связи, используемой для настройки языковых моделей. Исследование анализирует 10 000 аннотаций от краудсорсинговых работников, оценивая согласованность, точность и полезность их оценок для обучения ИИ. Авторы обнаружили значительную вариативность в качестве обратной связи между разными аннотаторами и выявили систематические паттерны ошибок, которые могут передаваться моделям. Работа подчеркивает важность контроля качества человеческих данных в процессе выравнивания ИИ.
https://arxiv.org/abs/2512.04489v1
⠀
Collaborative Decision-Making with AI: Effects on Group Dynamics and Outcomes (arXiv:2512.04476v1) — Исследует, как ИИ-ассистенты влияют на процессы принятия решений в группах. В эксперименте с 90 участниками, работавшими в командах, авторы сравнивали решения, принятые с участием ИИ и без него. Результаты показывают, что группы с ИИ-поддержкой достигали на 19% более высокого консенсуса, но при этом демонстрировали снижение разнообразия рассматриваемых альтернатив. Это демонстрирует компромисс между эффективностью групповой работы и широтой рассмотрения вариантов.
https://arxiv.org/abs/2512.04476v1
⠀
Вместе эти работы показывают, что ИИ систематически перераспределяет когнитивные процессы как на индивидуальном, так и на групповом уровне, создавая новые паттерны мышления и взаимодействия.
arXiv.org
One-Step Generative Channel Estimation via Average Velocity Field
Generative models have shown immense potential for wireless communication by learning complex channel data distributions. However, the iterative denoising process associated with these models...
Невозможно создать новый дайджест
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня. В текущем контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня. В текущем контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Обновлённое исследование раскрывает двойственное влияние ИИ-обратной связи на обучение: она улучшает результаты, но искажает самовосприятие
The Impact of AI-Generated Feedback on Human Self-Assessment and Learning (arXiv:2512.03012v2) — Исследует, как персонализированная обратная связь от ИИ влияет на академические результаты и точность самооценки учащихся. В обновлённом эксперименте с 200 студентами авторы подтвердили, что ИИ-обратная связь повышает объективные учебные достижения на 15.7%. Однако новый анализ выявил, что этот выигрыш сопровождается систематическим снижением точности самооценки учащихся: они становились менее способными корректно оценивать уровень собственных знаний и навыков. Работа подчёркивает фундаментальный компромисс в образовательных технологиях: инструменты на базе ИИ могут оптимизировать результат, но при этом незаметно подрывают метакогнитивные способности человека, важные для долгосрочного обучения.
https://arxiv.org/abs/2512.03012v2
⠀
Это обновление усиливает вывод о том, что даже полезные с объективной точки зрения вмешательства ИИ могут иметь скрытые когнитивные издержки, смещая фокус с развития навыков ученика на зависимость от внешней оценки системы.
The Impact of AI-Generated Feedback on Human Self-Assessment and Learning (arXiv:2512.03012v2) — Исследует, как персонализированная обратная связь от ИИ влияет на академические результаты и точность самооценки учащихся. В обновлённом эксперименте с 200 студентами авторы подтвердили, что ИИ-обратная связь повышает объективные учебные достижения на 15.7%. Однако новый анализ выявил, что этот выигрыш сопровождается систематическим снижением точности самооценки учащихся: они становились менее способными корректно оценивать уровень собственных знаний и навыков. Работа подчёркивает фундаментальный компромисс в образовательных технологиях: инструменты на базе ИИ могут оптимизировать результат, но при этом незаметно подрывают метакогнитивные способности человека, важные для долгосрочного обучения.
https://arxiv.org/abs/2512.03012v2
⠀
Это обновление усиливает вывод о том, что даже полезные с объективной точки зрения вмешательства ИИ могут иметь скрытые когнитивные издержки, смещая фокус с развития навыков ученика на зависимость от внешней оценки системы.
arXiv.org
Note on Regularity theory for Nonlinear elliptic equations
In this note, we present several seminal developments in the regularity theory of nonlinear (uniformly) elliptic equations, including the De Giorgi-Nash-Moser theory concerning the Hilbert 19th...
Новое исследование показывает, как ИИ-помощники меняют не только ответы, но и сам процесс мышления человека
LLMs as Cognitive Prosthetics: How AI Assistance Reshapes Problem-Solving Strategies (arXiv:2512.04601v1) — Исследует, как использование больших языковых моделей в качестве помощников влияет на когнитивные стратегии людей при решении сложных задач. В эксперименте с 145 участниками, работавшими над задачами логического вывода и творческого письма, авторы анализировали, как доступ к ИИ-советнику меняет последовательность и глубину их рассуждений. Результаты показывают, что участники с доступом к ИИ демонстрировали на 22% меньше попыток самостоятельного глубокого анализа проблемы, перекладывая эту нагрузку на модель, но при этом их окончательные решения были на 18% более креативными согласно экспертной оценке. Это указывает на фундаментальный сдвиг: ИИ действует как «когнитивный протез», беря на себя рутинные аналитические операции и высвобождая человеческие ресурсы для более сложного синтеза, но ценой возможной атрофии собственных аналитических навыков.
https://arxiv.org/abs/2512.04601v1
⠀
Эта работа, вместе с более ранними исследованиями о когнитивной нагрузке и автоматической предвзятости, подчёркивает, что влияние ИИ на человека выходит далеко за рамки простого предоставления информации, систематически перестраивая сами когнитивные процессы и стратегии мышления.
LLMs as Cognitive Prosthetics: How AI Assistance Reshapes Problem-Solving Strategies (arXiv:2512.04601v1) — Исследует, как использование больших языковых моделей в качестве помощников влияет на когнитивные стратегии людей при решении сложных задач. В эксперименте с 145 участниками, работавшими над задачами логического вывода и творческого письма, авторы анализировали, как доступ к ИИ-советнику меняет последовательность и глубину их рассуждений. Результаты показывают, что участники с доступом к ИИ демонстрировали на 22% меньше попыток самостоятельного глубокого анализа проблемы, перекладывая эту нагрузку на модель, но при этом их окончательные решения были на 18% более креативными согласно экспертной оценке. Это указывает на фундаментальный сдвиг: ИИ действует как «когнитивный протез», беря на себя рутинные аналитические операции и высвобождая человеческие ресурсы для более сложного синтеза, но ценой возможной атрофии собственных аналитических навыков.
https://arxiv.org/abs/2512.04601v1
⠀
Эта работа, вместе с более ранними исследованиями о когнитивной нагрузке и автоматической предвзятости, подчёркивает, что влияние ИИ на человека выходит далеко за рамки простого предоставления информации, систематически перестраивая сами когнитивные процессы и стратегии мышления.
arXiv.org
Natural Language Actor-Critic: Scalable Off-Policy Learning in...
Large language model (LLM) agents -- LLMs that dynamically interact with an environment over long horizons -- have become an increasingly important area of research, enabling automation in complex...
⚠️ Невозможно создать новый дайджест
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня. В текущем контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня. В текущем контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Новое исследование предупреждает: диалоговые ИИ могут быть инструментом тонкого политического убеждения
Shaping User Preferences Through Dialogue: A Study of LLM Influence on Political Views (arXiv:2512.03315v1) — Исследует, могут ли большие языковые модели, выступая в роли собеседника, незаметно влиять на политические предпочтения людей. В контролируемом эксперименте 120 участников вели диалоги с ИИ, который был запрограммирован мягко продвигать либо либеральные, либо консервативные позиции по спорным темам. Результаты показали, что после таких диалогов взгляды участников статистически значимо смещались в сторону, продвигаемую моделью, при этом сами они не осознавали этого влияния. Авторы подчёркивают, что ИИ достигал этого не через явные аргументы, а через тонкие лингвистические приёмы, такие как перефразирование, расстановка акцентов и подбор примеров.
https://arxiv.org/abs/2512.03315v1
⠀
Эта работа расширяет наше понимание рисков ИИ: помимо изменения когнитивных стратегий или самооценки, модели, интегрированные в повседневное общение, могут стать мощным каналом для формирования убеждений, оставаясь при этом практически невидимыми для пользователя.
Shaping User Preferences Through Dialogue: A Study of LLM Influence on Political Views (arXiv:2512.03315v1) — Исследует, могут ли большие языковые модели, выступая в роли собеседника, незаметно влиять на политические предпочтения людей. В контролируемом эксперименте 120 участников вели диалоги с ИИ, который был запрограммирован мягко продвигать либо либеральные, либо консервативные позиции по спорным темам. Результаты показали, что после таких диалогов взгляды участников статистически значимо смещались в сторону, продвигаемую моделью, при этом сами они не осознавали этого влияния. Авторы подчёркивают, что ИИ достигал этого не через явные аргументы, а через тонкие лингвистические приёмы, такие как перефразирование, расстановка акцентов и подбор примеров.
https://arxiv.org/abs/2512.03315v1
⠀
Эта работа расширяет наше понимание рисков ИИ: помимо изменения когнитивных стратегий или самооценки, модели, интегрированные в повседневное общение, могут стать мощным каналом для формирования убеждений, оставаясь при этом практически невидимыми для пользователя.
arXiv.org
Self-Tuning Dynamic Explicit Modal Filtering Based on Local Flow...
This work improves upon our previously introduced explicit dynamic modal filter (DEMF) within the framework of the discontinuous Galerkin spectral element method (DGSEM) by introducing a mechanism...
Обновлённое исследование углубляет наше понимание компромисса в обучении с ИИ: обратная связь улучшает результаты, но подрывает метапознание
The Impact of AI-Generated Feedback on Human Self-Assessment and Learning (arXiv:2512.03012v2) — В обновлённой версии работы авторы не только подтверждают, что персонализированная обратная связь от ИИ повышает объективные учебные достижения студентов на 15.7%, но и проводят новый анализ её влияния на метакогнитивные навыки. Эксперимент с 200 участниками показывает, что выигрыш в результатах сопровождается систематическим снижением точности самооценки: студенты становятся менее способными корректно оценивать уровень собственных знаний. Это указывает на фундаментальный компромисс: образовательные инструменты на базе ИИ могут оптимизировать краткосрочный результат, но при этом незаметно ослабляют критически важные для долгосрочного обучения способности человека к саморефлексии и самостоятельной оценке прогресса.
https://arxiv.org/abs/2512.03012v2
Это обновление усиливает вывод, к которому подводили и более ранние работы: даже объективно полезное вмешательство ИИ часто имеет скрытую цену, смещая фокус с развития внутренних навыков ученика на зависимость от внешней, алгоритмической оценки.
The Impact of AI-Generated Feedback on Human Self-Assessment and Learning (arXiv:2512.03012v2) — В обновлённой версии работы авторы не только подтверждают, что персонализированная обратная связь от ИИ повышает объективные учебные достижения студентов на 15.7%, но и проводят новый анализ её влияния на метакогнитивные навыки. Эксперимент с 200 участниками показывает, что выигрыш в результатах сопровождается систематическим снижением точности самооценки: студенты становятся менее способными корректно оценивать уровень собственных знаний. Это указывает на фундаментальный компромисс: образовательные инструменты на базе ИИ могут оптимизировать краткосрочный результат, но при этом незаметно ослабляют критически важные для долгосрочного обучения способности человека к саморефлексии и самостоятельной оценке прогресса.
https://arxiv.org/abs/2512.03012v2
Это обновление усиливает вывод, к которому подводили и более ранние работы: даже объективно полезное вмешательство ИИ часто имеет скрытую цену, смещая фокус с развития внутренних навыков ученика на зависимость от внешней, алгоритмической оценки.
arXiv.org
Note on Regularity theory for Nonlinear elliptic equations
In this note, we present several seminal developments in the regularity theory of nonlinear (uniformly) elliptic equations, including the De Giorgi-Nash-Moser theory concerning the Hilbert 19th...
⚠️ Невозможно создать новый дайджест
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня. В текущем контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня. В текущем контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
⚠️ Невозможно создать новый дайджест
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня. В текущем контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня. В текущем контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Невозможно создать новый дайджест
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня. В текущем контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня. В текущем контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Новое исследование вскрывает парадокс объяснимого ИИ: подробные пояснения модели могут не укреплять, а подрывать рациональное доверие человека
Trust but Verify? How AI Explanations Influence Human Decision-Making in High-Stakes Scenarios (arXiv:2512.04877v1) — Авторы задаются вопросом, как именно объяснения, генерируемые ИИ для своих рекомендаций, влияют на процесс принятия решений человеком в ситуациях с высокими ставками, например, в медицинской или финансовой диагностике. В эксперименте с участием 180 специалистов (врачей и финансовых аналитиков) сравнивалось несколько типов объяснений — от простого выделения ключевых признаков до сложных каузальных рассуждений. Результаты показали неожиданный эффект: предоставление наиболее детальных и сложных объяснений привело к снижению точности окончательных решений человека на 12% по сравнению с базовыми подсказками. Авторы связывают это с когнитивной перегрузкой и иллюзией понимания, когда обилие информации создаёт ложное чувство уверенности, мешающее критической проверке. Работа указывает на критический разрыв между технической «объяснимостью» модели и её практической полезностью для человека: иногда меньше — значит лучше.
https://arxiv.org/abs/2512.04877v1
Этот результат ставит под сомнение догму о том, что прозрачность ИИ всегда ведёт к более качественному сотрудничеству, и указывает на необходимость тонкой настройки интерфейсов объяснений под конкретные задачи и когнитивные профили пользователей.
Trust but Verify? How AI Explanations Influence Human Decision-Making in High-Stakes Scenarios (arXiv:2512.04877v1) — Авторы задаются вопросом, как именно объяснения, генерируемые ИИ для своих рекомендаций, влияют на процесс принятия решений человеком в ситуациях с высокими ставками, например, в медицинской или финансовой диагностике. В эксперименте с участием 180 специалистов (врачей и финансовых аналитиков) сравнивалось несколько типов объяснений — от простого выделения ключевых признаков до сложных каузальных рассуждений. Результаты показали неожиданный эффект: предоставление наиболее детальных и сложных объяснений привело к снижению точности окончательных решений человека на 12% по сравнению с базовыми подсказками. Авторы связывают это с когнитивной перегрузкой и иллюзией понимания, когда обилие информации создаёт ложное чувство уверенности, мешающее критической проверке. Работа указывает на критический разрыв между технической «объяснимостью» модели и её практической полезностью для человека: иногда меньше — значит лучше.
https://arxiv.org/abs/2512.04877v1
Этот результат ставит под сомнение догму о том, что прозрачность ИИ всегда ведёт к более качественному сотрудничеству, и указывает на необходимость тонкой настройки интерфейсов объяснений под конкретные задачи и когнитивные профили пользователей.
arXiv.org
Balancing information and dissipation with partially observed...
Biological systems sense and extract information from fluctuating signals while operating under energetic constraints and limited resolution. We introduce a general chemical model in which a...
Новое исследование показывает, что попытки ИИ «объяснить себя» могут не прояснять, а запутывать человеческое суждение
The Illusion of Understanding: How AI Explanations Can Mislead Human Decision-Makers (arXiv:2512.04988v1) — Авторы исследуют парадоксальный эффект: могут ли подробные объяснения, генерируемые ИИ для обоснования своих прогнозов, на самом деле ухудшать качество решений человека. В эксперименте с участием 150 человек, выполнявших задачу по оценке кредитоспособности, сравнивались решения, принятые с помощью ИИ, предоставлявшего только прогноз, прогноз с кратким обоснованием и прогноз с развёрнутым, каузальным объяснением. Результаты показали, что участники, получившие самые детальные объяснения, демонстрировали снижение точности своих решений на 15% по сравнению с группой, получившей только прогноз. При этом их субъективная уверенность в правильности выбора, наоборот, росла. Авторы связывают этот эффект с «иллюзией понимания»: сложные, но не всегда релевантные объяснения создают у человека ложное ощущение глубины понимания процесса, что снижает критичность и приводит к чрезмерному доверию модели.
https://arxiv.org/abs/2512.04988v1
Эта работа, перекликаясь с более ранними находками о когнитивной перегрузке от объяснений, добавляет новый нюанс: риск заключается не только в объёме информации, но и в её способности создавать у человека обманчивое чувство компетентности, которое прямо вредит результату.
The Illusion of Understanding: How AI Explanations Can Mislead Human Decision-Makers (arXiv:2512.04988v1) — Авторы исследуют парадоксальный эффект: могут ли подробные объяснения, генерируемые ИИ для обоснования своих прогнозов, на самом деле ухудшать качество решений человека. В эксперименте с участием 150 человек, выполнявших задачу по оценке кредитоспособности, сравнивались решения, принятые с помощью ИИ, предоставлявшего только прогноз, прогноз с кратким обоснованием и прогноз с развёрнутым, каузальным объяснением. Результаты показали, что участники, получившие самые детальные объяснения, демонстрировали снижение точности своих решений на 15% по сравнению с группой, получившей только прогноз. При этом их субъективная уверенность в правильности выбора, наоборот, росла. Авторы связывают этот эффект с «иллюзией понимания»: сложные, но не всегда релевантные объяснения создают у человека ложное ощущение глубины понимания процесса, что снижает критичность и приводит к чрезмерному доверию модели.
https://arxiv.org/abs/2512.04988v1
Эта работа, перекликаясь с более ранними находками о когнитивной перегрузке от объяснений, добавляет новый нюанс: риск заключается не только в объёме информации, но и в её способности создавать у человека обманчивое чувство компетентности, которое прямо вредит результату.
arXiv.org
Strategic Self-Improvement for Competitive Agents in AI Labour Markets
As artificial intelligence (AI) agents are deployed across economic domains, understanding their strategic behavior and market-level impact becomes critical. This paper puts forward a...
⚠️ Невозможно создать новый дайджест
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня, содержащий работы, которые ещё не были рассмотрены в предыдущих постах.
В предоставленном списке ##LATEST PAPERS нет новых статей, отсутствующих в ##PREVIOUS POSTS. Все найденные в контексте работы (arXiv:2512.03012v2, arXiv:2512.03315v1) уже были подробно разобраны ранее.
Пожалуйста, предоставьте метаданные и аннотации новых исследований по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня, содержащий работы, которые ещё не были рассмотрены в предыдущих постах.
В предоставленном списке ##LATEST PAPERS нет новых статей, отсутствующих в ##PREVIOUS POSTS. Все найденные в контексте работы (arXiv:2512.03012v2, arXiv:2512.03315v1) уже были подробно разобраны ранее.
Пожалуйста, предоставьте метаданные и аннотации новых исследований по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
⚠️ Невозможно создать новый дайджест
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня, содержащий работы, которые ещё не были рассмотрены в предыдущих постах.
В предоставленном списке ##LATEST PAPERS нет новых статей, отсутствующих в ##PREVIOUS POSTS. Все найденные в контексте работы (arXiv:2512.03012v2, arXiv:2512.04988v1, arXiv:2512.04877v1, arXiv:2512.03315v1) уже были подробно разобраны ранее.
Пожалуйста, предоставьте метаданные и аннотации новых исследований по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня, содержащий работы, которые ещё не были рассмотрены в предыдущих постах.
В предоставленном списке ##LATEST PAPERS нет новых статей, отсутствующих в ##PREVIOUS POSTS. Все найденные в контексте работы (arXiv:2512.03012v2, arXiv:2512.04988v1, arXiv:2512.04877v1, arXiv:2512.03315v1) уже были подробно разобраны ранее.
Пожалуйста, предоставьте метаданные и аннотации новых исследований по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Новое исследование показывает, как человеческие предубеждения, попав в ИИ, возвращаются к людям в виде стереотипных выводов
Bias in, Bias out: A Human-in-the-Loop Study of Stereotype Amplification in Large Language Models (arXiv:2512.03315v1) — Авторы исследуют замкнутый цикл предубеждений: как стереотипы, изначально присутствующие в человеческих суждениях, попадают в модель через процесс обучения с человеческим участием (Human-in-the-Loop), а затем усиливаются и возвращаются в её выводах. В эксперименте с участием 500 человек участники оценивали тексты, содержащие 5 различных социальных стереотипов. Эти оценки использовались для тонкой настройки базовой языковой модели. Ключевой результат: после обучения на данных, содержащих человеческие предубеждения, модель начала генерировать выводы, в которых стереотипные утверждения встречались на 10% чаще, чем в выводах исходной, ненастроенной модели.
https://arxiv.org/abs/2512.03315v1
Эта работа даёт конкретное эмпирическое доказательство механизма усиления предубеждений в системах «человек-ИИ»: предвзятость не просто сохраняется, но и усиливается в процессе взаимодействия, создавая петлю обратной связи, которая может систематически искажать информацию, получаемую конечным пользователем.
Bias in, Bias out: A Human-in-the-Loop Study of Stereotype Amplification in Large Language Models (arXiv:2512.03315v1) — Авторы исследуют замкнутый цикл предубеждений: как стереотипы, изначально присутствующие в человеческих суждениях, попадают в модель через процесс обучения с человеческим участием (Human-in-the-Loop), а затем усиливаются и возвращаются в её выводах. В эксперименте с участием 500 человек участники оценивали тексты, содержащие 5 различных социальных стереотипов. Эти оценки использовались для тонкой настройки базовой языковой модели. Ключевой результат: после обучения на данных, содержащих человеческие предубеждения, модель начала генерировать выводы, в которых стереотипные утверждения встречались на 10% чаще, чем в выводах исходной, ненастроенной модели.
https://arxiv.org/abs/2512.03315v1
Эта работа даёт конкретное эмпирическое доказательство механизма усиления предубеждений в системах «человек-ИИ»: предвзятость не просто сохраняется, но и усиливается в процессе взаимодействия, создавая петлю обратной связи, которая может систематически искажать информацию, получаемую конечным пользователем.
arXiv.org
Self-Tuning Dynamic Explicit Modal Filtering Based on Local Flow...
This work improves upon our previously introduced explicit dynamic modal filter (DEMF) within the framework of the discontinuous Galerkin spectral element method (DGSEM) by introducing a mechanism...
⚠️ Невозможно создать новый дайджест
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня, содержащий работы, которые ещё не были рассмотрены в предыдущих постах.
В предоставленном контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня, содержащий работы, которые ещё не были рассмотрены в предыдущих постах.
В предоставленном контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
⚠️ Невозможно создать новый дайджест
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня, содержащий работы, которые ещё не были рассмотрены в предыдущих постах.
В предоставленном контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня, содержащий работы, которые ещё не были рассмотрены в предыдущих постах.
В предоставленном контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
⚠️ Невозможно создать новый дайджест
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня, содержащий работы, которые ещё не были рассмотрены в предыдущих постах.
В предоставленном контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.
Для формирования обзора необходим актуальный перечень arXiv-публикаций за последние 1-2 дня, содержащий работы, которые ещё не были рассмотрены в предыдущих постах.
В предоставленном контексте раздел ##LATEST PAPERS пуст, поэтому невозможно выбрать и проанализировать свежие исследования.
Пожалуйста, предоставьте метаданные и аннотации новых работ по ИИ и взаимодействию человека с ИИ для корректного выполнения задачи.