近接状態ナッジング：AI支援によるスキル萎縮の低減
研究者らは、AI支援下でのスキル萎縮を低減するための共有自律アルゴリズム「近接状態ナッジング（PSN）」を提案する。PSNは学習可能な状態へユーザーを誘導することで、スキル開発とタスクパフォーマンスを同時に最適化する。LunarLander環境とCARLAドライビングタスクの実験では、PSNにより無支援スキルが最大7倍向上し、衝突が50%減少した。
新しい研究により、「近接状態ナッジング（PSN）」と名付けられた共有自律アルゴリズムが提案されました。これは、AI支援下での人間のスキル萎縮を低減することを目的としています。スキル萎縮とは、AIへの過度な依存により人間の能力が徐々に低下する現象であり、半自律システムの共有制御において特に危険です。なぜなら、オペレーターが自身の入力と自律的な修正を区別できなくなる可能性があるからです。本論文は2026年5月19日にarXivに投稿され、Megha Srivastavaを含む9名の著者によるもので、ロボティクス、ヒューマン・コンピュータ・インタラクション、機械学習の分野に属します。
PSNアルゴリズムは、学習に最も適した状態と推定される方向へユーザーを「ナッジ」することで、スキル開発とタスクパフォーマンスの両方を最適化します。研究チームはまず、古典的なLunarLander環境で模擬学生を用いてPSNの有効性を検証し、既存の共有自律ベースラインと比較して、無支援時の報酬向上と全体の共有パフォーマンスのバランスにおいて優れていることを示しました。模擬学生実験では、PSNが学習をより効果的に促進し、無支援条件下でも高い報酬を得られることが確認されました。
次に、学習互換な共有自律を取り入れたプランナーの初の被験者研究を実施しました。CARLAシミュレーターの2つの運転タスク（ハイパフォーマンスレーシングと並列駐車）で、60名の被験者が参加。結果、標準的な混合共有自律と比較してPSNは無支援スキルを最大7倍向上させ、無支援の自己練習と比べて衝突を50%減少させました。また、PSNはタスクパフォーマンスを犠牲にせず、むしろ向上させる場合もありました。これらの発見は、自動運転や航空などリスクの高い分野において、より安全で人間のスキル発達に寄与するAI支援システムの設計に新たな道を開くものです。研究者らは、PSNが短期的なパフォーマンスと長期的なスキル維持のバランスを取る手法を提供し、次世代の半自律システムの中核設計原則になると期待しています。