Resumen: Los avances recientes en el razonamiento de IA han impulsado mejoras sustanciales en diversas tareas. Una pregunta abierta crítica es si estas mejoras también producen una mejor transferencia de conocimiento: la capacidad de los modelos para comunicar el razonamiento de la manera en que los humanos pueden entender, aplicar y aprender. Para investigar esto, presentamos la integración del conocimiento y la evaluación de transferencias (KITE), un marco conceptual y experimental para las capacidades de transferencia de conocimiento humano-AI y realizamos el primer estudio humano a gran escala (n = 118) diseñado explícitamente para medirlo. En nuestra configuración de dos fases, los humanos primero idean con una IA sobre estrategias de resolución de problemas, luego implementan de forma independiente, aislando las explicaciones del modelo en la influencia en la comprensión humana. Nuestros hallazgos revelan que aunque el rendimiento de referencia del modelo se correlaciona con los resultados de colaboración, esta relación es notablemente inconsistente, con valores atípicos significativos, lo que indica que la transferencia de conocimiento requiere una optimización dedicada. Nuestro análisis identifica factores conductuales y estratégicos que median la transferencia de conocimiento exitosa. Lanzamos nuestro código, conjunto de datos y marco de evaluación para apoyar el trabajo futuro en modelos alineados comunicativamente.
Publicado Originalme en rss.arxiv.org El 8 de junio de 2025.
Ver Fuente Original
