arXiv cs.MA· Zilong Wang·· 11 小时前AI 评分29
递归组织改进：面向人类—智能体组织的建模规范
Recursive Organization Improvement: A Modeling Specification for Human--Agent Organizations
AI 导读
研究提出“递归组织改进”建模规范，将参与者可见历史、组织记忆、决策权与保留变更所依据的证据连接起来，并通过可执行检查器、公开记录映射和两项仿真研究评估。仿真显示，在平稳环境中累积证据使平衡评估每任务净价值从 0.452 升至 0.480，选择遗憾从 0.029 降至 0.002；工作流排序反转后，保留的证据会延迟适应。
正文 · AI 翻译
摘要：更强的人工智能代理并不会自动产生更好的组织：团队还必须学习哪些工作安排值得保留、何时应重新考虑这些安排，而这些安排又决定了团队能够从哪些证据中学习。我们提出了一种用于递归式组织改进的建模规范，并通过一个可执行检查器、一个公开记录映射和两项模拟研究对其进行评估。该规范将行动者可见的历史、组织记忆、决策权以及用于保留变更的证据联系起来。研究 1 在固定资源上限下交叉了六种决策规则、三种记忆条件和三种任务环境。在平稳环境中，累积证据将平衡评估的每任务净价值从 0.452 提高到 0.480，同时选择遗憾从 0.029 降至 0.002。在工作流排序发生逆转后，保留的证据会延迟适应。在事后获取匹配的对照中，程序替换的剩余贡献取决于记忆规则：在八轮窗口下较小且不确定，在逆转后的累积记忆下为正，在重置证据下为负。研究 2 对具有共享错误、复制和决策权的人类-代理审查进行建模。它识别出一个双行动者案例，其中公开记录掩盖了意见一致是源于共享错误还是复制，并展示了依赖性如何在固定预算下改变人类判断的首选位置。付费观察可以降低决策错误，但其成本高于部署收益。对组织改进的评估应跟踪所获取和保留的证据，使用获取匹配的比较来分离评估者修订的贡献。
| 评论： | 23 页（包括参考文献和附录），4 幅图，12 张表。补充材料：16 页，5 张表（S1-S5） |
| 主题： | 多智能体系统（cs.MA）；人机交互（cs.HC） |
| 引用为： | arXiv:2609.38643 [cs.MA] |
| （或此版本的 arXiv:2609.38643v2 [cs.MA]） | |
| https://doi.org/10.48550/arXiv.2609.38643 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zilong Wang [查看电子邮件]
[v1]
2026 年 9 月 29 日星期二 23:00:57 UTC（100 KB）
[v2]
2026 年 10 月 15 日星期四 20:27:39 UTC（217 KB）
来源：arXiv cs.MA · arxiv.org