Shuichiro Ogawa
English

Notes ・ updated 2026-08-14

自分のために作ることは生成AIで何が変わったか：文献59件の地図

「自分の必要から始まり、自分のために作る」制作を生成 AI（2023–2026）がどう変えたかを、59件の軽量スコーピングで地図化した統合要約。 姉妹ノートの end-user-development-literature は EUC/EUD を歴史、社会的要請、限界の軸で152件から、end-user-development-novice-learning-literature は学習効果と動機の軸で185件から地図化している。後者の第3次収集は「自分の必要のために作る」動機の系譜（von Hippel、OSS 動機、personal informatics、メイカー）を集めたが、計337件のどこにも「自分のために作る」象限 × 生成 AI の研究は1件も入っていなかった。本ノートはこの交点だけを埋める。 以下、既存コーパスの文献は E 番号と N 番号、本コーパスの文献は G 番号で参照する。 隣接ノート: 生成 AI の学習害の実証は ai-cognitive-offloading-learning、vibe coding の産業側言説は vibe-coding-design-production、制作者から編集者への転回は maker-to-editor-paradigm、エージェント体験の設計は agentic-experience-literature。 収集系統: source-researcher（profile: scholarly）4系統並行 → paper-screening-agent。規約 .claude/rules/collection-protocol.md（捏造ゼロ、出典追跡）。出典追跡つきの内部台帳は source/review/genai-personal-software/papers.md。

調査メタ情報

  • 収集日: 2026-08-14 ／ 件数: 59（探索段の候補67件、除外4件、候補内重複統合4組）
  • 期間: 2023–2026（文脈上必要な場合のみ2022後半可の条件で収集したが、採用は全件2023年以降だった）
  • 収集の設計: 4系統に分けて並行収集した。LLM による自分用ソフトウェアの制作（16件）、自己データと生成 AI（20件）、当事者による自作支援技術と趣味の制作（14件）、この象限に固有の限界（17件）である。全系統に批判的な証拠と否定的な証拠を必ず含めるよう指示し、第4系統には既存レビューが特定した4空白（遅延テスト不在、自作物への愛着未測定、非公開ツール未追跡、動機比較不在）が生成 AI 期にどう扱われ始めたかの点検を指示した。
  • 除外: 4件。既存コーパスとの重複1件（Sarkar 2023 = E57）、臨床側が提供する介入1件、業務文脈限定1件、公共文脈限定1件。
  • 書誌の機械照合: DOI を持つ27件を Crossref REST API に照会し、27件すべてで筆頭著者姓とタイトルが一致した。捏造 DOI は0件。残り32件は arXiv プレプリントで、一次ページへの到達を個別に確認している。2026-08-14 の再検証で、うち3件（G24, G30, G33）は査読版の刊行を確認して書誌を差し替えた。
  • 網羅性の限界: 収集は WebSearch のセッション予算が枯渇し、OpenAlex が polite pool でも全クエリ HTTP 429 という条件で行われ、探索は arXiv API と Crossref API に依存した。本コーパスは網羅性を主張できない。とくに arXiv 投稿慣行の薄い媒体（IMWUT、CSCW、JMIR 系）は取り漏らしの可能性が高い。
  • 査読状態の偏り: 59件中32件が査読前プレプリント（non-peer）である。この交点の研究は大半が2025年から2026年に集中しており、査読出版が追いついていない。数値はすべて要旨で直接確認できたもののみを記載し、要旨に到達できなかった2件は数値を書いていない。

TL;DR

  1. 交点の研究は存在し始めているが、若い。59件の年分布は2023年2件、2024年13件、2025年17件、2026年27件で、32件が査読前プレプリントである。「自分のために作る × 生成 AI」は2025年以降に立ち上がった研究前線であり、確定した知見として引用できる層はまだ薄い。
  2. 作る入口の敷居が下がった証拠は4領域で揃いつつある。スマートホーム自動化（G09, G10, G11）、パーソナル自動化（G04）、視覚障害者の自作支援技術（G35, G36）、プログラミング未経験者の創作（G44, G45）のいずれでも、自然言語で自分用の道具を作れることがプロトタイプ評価で示されている。ただしほぼすべてが即時評価である。
  3. 「作った後」はほとんど測られていない。8週間の縦断はジャーナリング（G16）と睡眠支援（G22)の2件、3週間の自己利用追跡が1件（G05、研究者自身が被験者）で、自分で作った道具の保守、放棄、持続を数ヶ月以上追った研究は0件だった。
  4. 批判的証拠は障害当事者領域に集中し、趣味領域には無い。視覚障害者の実利用では、システムの限界理解と実性能の乖離（G40）、日記調査での誤答22.2%（G41）という否定的知見が出ているのに対し、趣味の制作（3Dプリント、シェーダーアート、創造的コーディング）は肯定的な実演報告のみで、失敗や限界を検証した研究が見つからなかった。
  5. 既存レビューの4空白のうち、動き始めたのは愛着の測定だけ。AI 共同作成テキストへの IKEA 効果が RCT で実証され始めた（G50, G51。支払意思額約2倍）。遅延テストによる長期追跡、非公開個人ツールの追跡、動機比較（自分のため対業務のため）は、生成 AI 期の文献でも未充足のままであることを、系統的レビュー自身の申告（G56）と概念枠組みの名指し（G53）で確認した。

P1. LLM による自分用ソフトウェアの制作（14件）

この系統の実証は、スマートホーム自動化と個人ワークフロー自動化に集中している。 Home Assistant のルール生成（G09、N=56 で従来 UI より高受容）、緩い目標発話からの自動化変換（G10）、複雑な条件分岐の自然言語設定（G11、意図一致率91.7%）、ブラウザ操作の反復パターン発見（G4）が代表で、いずれも「自然言語で自分の環境を作り変えられる」ことを示す。 システム側の提案も同時期に重なる。 ワークフローの編成を LLM で担わせる基盤（G13）と、IoT プラットフォームの構築自体を LLM に任せる提案（G14）である。

ただし同じ研究群が失敗も報告している。 G10 は LLM の創造的推論を示すと同時に「一貫した失敗パターン」が実用性を損なうと明記し、G09 は構文エラーとメッセージ不整形を課題として残した。 作られる物の側への疑いも出始めており、ウェブの vibe coding が生むデザインの均質化を問う研究（G06）が2026年に現れている。 入口の敷居が下がることと、作った物が使い続けられることは、この時点で別の問いである。

概念面では、malleable software（利用者が使いながら作り変えられるソフトウェア）が学術語として定着しつつある（G07, G08）。 一方、実務言説で流通する「home-cooked apps」「situated software」という語をタイトルまたは要旨に使う2023–2026年の学術文献は、今回の探索では0件だった。 Shirky 由来の語彙は査読圏に取り込まれておらず、malleable software がその後継語として機能している。

もう一つの観察は、「非プログラマが custom GPTs や personal agents を私生活のために作る」実証が見つからなかったことである。 ヒットするのは教員が学生向けに作る教育文脈か、GPT ストアのポリシー監査のみで、私的用途の一次研究は空白のまま残る。

P2. 自己データと生成 AI（19件）

4系統で最も厚いクラスタだが、構造的な特徴がある。 19件のほぼすべてが、研究者が構築したシステムを参加者が使うユーザー評価であり、「本人が自分で AI を組む、設定する」実践の実証は1件もない。 行動センシングと LLM を統合したジャーナリング（G15, G16）、ウェアラブルデータの LLM 解釈（G20, G23, G24）、身体活動コーチ（G21）、睡眠支援（G22）は、いずれも研究者提供のシステムである。 会話を通じて幸福感を高める介入（G17）、パーソナル健康エージェントの設計の解剖（G25）、個人の知識管理を支えるノート作成支援（G29）、人間のコーチと組み合わせた自己省察支援（G31）、目標の進捗を支える目標設定支援（G32）も同じ構造にある。 「自分のために作る」の核心（作る主体が自分であること）は、このクラスタではまだ研究されていない。

測定の内訳では、8週間の縦断が2件ある（G16 で自己省察+6%、G22 で睡眠時間の改善）。 これは P1 より長いが、いずれも研究期間内の利用であり、研究終了後に使い続けたかは追跡されていない。

批判的知見はここでも出ている。 ChatGPT の糖尿病自己管理アドバイスは必要な確認なしに一般的指導を与え「危険なアドバイス」を生みうる（G28）。 AI 駆動の自己追跡はユーザーのエージェンシーと独立思考を損なう可能性がある（G19）。 LLM とのナラティブ共構築には「ナラティブへの服従」（AI が語る自己物語を無批判に受け入れること）のリスクがある（G18）。 慢性疾患の高齢者は自分の健康物語の所有権を重視し、AI には「慎重な楽観主義」で臨む（G26）。

P3. 当事者による自作支援技術と趣味の制作（12件）

障害当事者の領域は、この象限で最も成熟した研究群を持つ。 盲人ユーザーが視覚アクセスプログラムを3方式（ブロック、自然言語、例示）で自作できるシステム（G35）と、その背後の研究アジェンダ（G36）は、「自分の必要から作る」を生成 AI 期の支援技術で正面の主題にしている。 物理的な DIY 支援技術の共作（G34）と視覚に依存しない個人3Dプリント（G39)は、AI がこの制作を支援できる可能性と同時に、空間支援の不足や寸法制御の制約という固有の障壁を報告する。 作り手が当事者本人でない場合の検討もある。 作業療法士が DIY 支援技術の設計に生成 AI を使う可能性の探索（G37）と、支援技術の将来を生成 AI に見る研修報告（G42）で、後者は査読研究ではない。

この領域の強みは、批判的証拠の厚さである。 視覚障害者は大規模視覚言語モデルの誤りを自分のせいにしがちで、システムの限界への理解と実際の性能に大きな乖離がある（G40）。 2週間の日記調査では、利用者が「信頼できる」と評価する一方で誤答22.2%、応答拒否10.8%という実測が出た（G41）。 検証できない者が検証を必要とする道具を使うという構図は、この象限の限界問題（P4）の最も鋭い事例になっている。

対照的に、趣味の制作は薄い。 家庭ユーザーの3Dモデル生成（G43）、プログラミング未経験者のシェーダーアート（G45）、創造的コーディング（G44）は肯定的な実演報告が中心で、趣味人の失敗、放棄、限界を検証した査読研究は今回の探索では見つからなかった。 Arduino や Raspberry Pi を使う余暇の個人プロジェクト × 生成 AI の査読研究も0件だった。

P4. この象限に固有の限界（14件）

自己利用物の限界研究は、二つの水準に分かれる。

第一は、作った本人が検証できるかという水準である。 経験段階の異なる162名の調査では、全群が AI 生成コードのリスクを認識しながら、検証とデバッグの能力は経験に依存するという「認識と行動のギャップ」が出た（G47)。 初学者の統制実験では、無制限に AI を使った群は AI を取り上げられた保守タスクで77%が失敗した（足場つき AI 群は39%。G46）。 ただしこの測定は同一セッション内の約30分後であり、長期の定着ではない。 初学者が vibe coding をどう経験するかの探索（G48）もこの水準に連なる。 検証の側からは、vibe coding に形式検証を組み込むべきだという提案（G49）と、認知的オフロードを定量化するプロトコルの提案（G59）が出ているが、いずれも提案段階である。

第二は、作った物が持続するかという水準である。 LLM 支援開発の技術的負債はマルチボーカルレビューで類型化が始まり（G55）、公開リポジトリの実データからは「テスト先延ばし」「不完全な適応」「理解不足」という負債パターンが抽出された（G57）。 しかし87件の系統的レビュー自身が「これらの相反する効果が長期的な保守性、進化可能性をどう形作るかは依然不明」と明記している（G56）。 信頼較正の概念枠組みも「信頼較正の経時的性質」を未解決課題として名指しする（G53）。 限界研究の側が、長期の空白を自認している状態である。

既存の空白リストは生成 AI 期にどうなったか

姉妹ノートの空白リスト（end-user-development-novice-learning-literature の空白1、12、13、14）を、本コーパス59件で再点検した。

空白1（遅延テストによる定着測定がほぼない）: 未充足のまま。 生成 AI 期の最近接は G46（AI 遮断下の保守タスク）だが、測定は約30分後の即時である。 G05 の3週間自己利用が最長の追跡で、それも研究者自身が被験者の1名規模である。 G56 と G53 が長期影響の不明を明記しており、この空白は生成 AI 期の文献でも研究者コミュニティ自身が認める形で残っている。

空白12（自作物への愛着を測定した実証がない）: 部分的に動き始めた。 AI と共同作成した非物理的成果物への IKEA 効果が、RCT で測定され始めた（G50, G51）。 続編実験では、ChatGPT で作った群の労力知覚は対照群の2倍、成果物への支払意思額も約2倍だった。 ただし対象はマーケティング文書などのテキストであり、AI で作った自分用ソフトウェアへの愛着を測った研究は依然として0件である。 掲載誌の査読体制も未確認であり、この知見はまだ確定的に引用できない。

空白13（非公開の自己利用ツールを追跡した実証がない）: 未充足のまま。 放棄と保守の実証（G57, G58）はすべて公開リポジトリが対象で、個人が非公開で作った自分用ツールの行方を追った研究は見つからなかった。 最近接の G05 は研究者自身の環境の3週間であり、一般ユーザーの非公開ツールの生存を測ったものではない。

空白14（自分のために作ることと与えられて作ることの動機比較がない）: 副産物としての手がかりのみ。 G47 が経験段階別の調査の副産物として、非開発者はアクセシビリティ（作れなかった物が作れること）を、専門家は業務文脈を動機とする分岐を報告した。 これは動機の出所が実践を分けることの示唆だが、「自分のため対業務のため」を主目的に設計した比較研究は生成 AI 期にも存在しない。

4空白のうち3つが未充足のまま残ることは、レビュー論文の貢献の置き場所を変えない。 むしろ生成 AI は空白1と13の重みを増している。 作る敷居が下がって「自分のために作られた非公開の物」の母数が増えるほど、その検証、保守、放棄を誰も測っていないことの含意が大きくなるからである。

空白（本コーパスで新たに確認した未充足の論点）

  1. 「本人が自分で AI を組む」実証がない。P2 の19件はすべて研究者構築システムの評価である。custom GPTs や personal agents を私的用途で自作する一次研究は、探索範囲では0件だった。
  2. 趣味の制作領域に批判的検証がない。障害当事者領域では否定的知見が蓄積し始めたのに対し、趣味人とメイカーの生成 AI 利用は肯定的実演のみで、失敗と限界の検証が欠けている。
  3. 自己利用ツールのプライバシーを主題にした研究がない。プライバシー保護型の設計（G27）はあるが、個人が自作した AI ツールに自分のデータを渡すことのリスクを実証した専論は見つからなかった。
  4. 「software for one」の語彙が学術に取り込まれていない。home-cooked apps、situated software を含め、実務言説の術語は査読圏に未定着で、malleable software だけが橋渡しをしている。学術言説と実務言説の非対称は、姉妹ノートが日本語圏で観察したのと同型の構図である。
  5. 放棄（abandonment)を主題にした生成 AI 期の研究がない。vibe coding で作った物の放棄率を扱う研究は、複数クエリで0件だった。

レビュー論文への含意

既存337件と本コーパス59件を接続すると、レビュー論文の位置づけが確定する。 EUD 研究は40年間、業務のために作る人を主対象とし（E コーパス）、学習効果は教育文脈で測られ（N コーパス）、「自分のために作る」動機は生成 AI 以前の系譜（von Hippel、OSS、personal informatics）としてだけ存在した。 生成 AI 期の研究前線はこの動機の実証を2025年以降に始めたばかりで、入口（作れるか）に集中し、出口（作った後どうなるか）をほぼ測っていない。 「AI で自分のために作られた非公開の道具が、検証されず、保守されず、どれだけ生き残るか」を測る設計は、既存空白の再確認を経てもなお、誰も着手していない一歩である。

未検証事項

2026-08-14 に全59件を再検証した（詳細は台帳 source/review/genai-personal-software/papers.md）。 DOI を持つ全件を Crossref REST API と OpenAlex へ照会し、プレプリントは arXiv の journal-ref と出版社の一次ページで査読版の有無を確認した。

再検証で解消した項目は次のとおりである。

  • G24: Nature Communications 17, art.1143 として2026年1月12日に刊行済み。採択段階ではない
  • G30: 会議名は DOI 接頭辞からの推定ではなく CHI 2026 と確定。頁は1–23
  • G33: ACM 収録時のタイトルは “The Future of Cognitive Personal Informatics” で、CHI 2026 の Extended Abstracts に収録
  • G18: 掲載予定書籍は Werkheiser, I. & Butler, M. 編 Finding Our Place in the Digital World: Philosophical Essays on Technology, Phenomenology, and the Environment（Springer、刊行予定）と確定
  • G02: VL/HCC 2024（Liverpool 開催）の89–95頁と確定
  • G10: Proc. ACM IMWUT 8(1) の1–38頁と確定
  • G36: 要旨に「本博士研究を通じて」と明記されており、単発の実証研究の報告ではなく博士研究の概要である
  • G45: 出版社版の書誌（LNCS、192–206頁）が確定。評価は構造化されたユーザ実験と定性的フィードバックの併用である
  • G50, G51: Marketing Science & Inspirations 20(3), 2–6 と 20(4), 2–11 と確定
  • G52: 要旨を取得。報酬づけされた領域非依存の対話的行動実験で、AI 助言への過度の依拠を測る設計である
  • G54: 要旨を取得。尺度開発研究で、探索的因子分析と確認的因子分析を複数の大学生標本で実施し、全分散の53.965%を説明する

残る未検証は次のとおりである。

  • G01: SpringerLink の原文が認証ゲートで到達できず、レビュー対象論文数は要旨にも記載がない [要一次検証]
  • G02, G03, G10, G12: 評価実験の参加者数が、要旨にも書誌データベースにも記載されていない [要一次検証]
  • G03: 手法は非プログラマーによる Web アプリ制作のケーススタディと確定した。動機づけの記述が自己利用文脈に該当するかは本文で要確認 [要確認]
  • G38: 研究者主導のデプロイであり、当事者自作の程度を要確認 [要確認]
  • G45: 出版社版の要旨には到達できず、評価形式の確認は同一著者の arXiv 版を経由している [要一次検証]
  • G50, G51: 掲載誌は ERIH PLUS、EconBiz、EBSCOhost、Ulrichsweb に収録されているが、査読の方式は公式ページに明記がない [要一次検証]
  • 全体: 59件中32件が査読前プレプリントである。G24, G30, G33 の3件は査読版の刊行を確認したが、残りは arXiv の journal-ref が空であることを確認したにとどまる

参照文献

URL はすべて 2026-08-14 に到達確認済み。(preprint) は査読前。

P1. LLM による自分用ソフトウェアの制作

  • G01. Esposito, A., Calvano, M., Curci, A., Desolda, G., Lanzilotti, R., Lorusso, C., & Piccinno, A. (2023). End-User Development for Artificial Intelligence: A Systematic Literature Review. Proc. IS-EUD 2023, LNCS 13917, 19–34. https://doi.org/10.1007/978-3-031-34433-6_2
  • G02. Ge, Y., Dai, Y., Shan, R., Li, K., Hu, Y., & Sun, X. (2024). Cocobo: Exploring Large Language Models as the Engine for End-User Robot Programming. Proc. 2024 IEEE Symposium on Visual Languages and Human-Centric Computing (VL/HCC), Liverpool, 89–95. https://doi.org/10.1109/vl/hcc60511.2024.00020
  • G03. Weber, I. (2025). Feasibility of AI-Assisted Programming for End-User Development. arXiv:2512.05666 (preprint). https://arxiv.org/abs/2512.05666
  • G04. Jiang, S., & Nam, D. (2026). Motif: Discovering and Automating Personal Web Workflows. arXiv:2607.10531 (preprint). https://arxiv.org/abs/2607.10531
  • G05. Wang, Z., Hu, E., Rucker, M., & Barnes, L. E. (2026). PSI: Shared State as the Missing Layer for Coherent AI-Generated Instruments in Personal AI Agents. arXiv:2604.08529 (preprint). https://arxiv.org/abs/2604.08529
  • G06. Shin, D., Gao, A., Pang, R. Y., Lee, J., Reinecke, K., & Tseng, E. (2026). Interrogating Design Homogenization in Web Vibe Coding. arXiv:2603.13036 (preprint). https://arxiv.org/abs/2603.13036
  • G07. Cifliku, B. (2026). Hidden Technical Debt in Generative (GenUI) and Malleable User Interfaces. arXiv:2604.16354 (preprint). https://arxiv.org/abs/2604.16354
  • G08. Min, B., Jiang, P., Huang, Z., & Xia, H. (2026). Gradual Generation of User Interfaces as a Design Method for Malleable Software. arXiv:2601.17975 (preprint). https://arxiv.org/abs/2601.17975
  • G09. Giudici, M., Sironi, A., Villa, I., Scherini, S., & Garzotto, F. (2025). Generating HomeAssistant Automations Using an LLM-based Chatbot. arXiv:2505.02802 (preprint). https://arxiv.org/abs/2505.02802
  • G10. King, E., Yu, H., Lee, S., & Julien, C. (2024). Sasha: Creative Goal-Oriented Reasoning in Smart Homes with Large Language Models. Proc. ACM IMWUT, 8(1). https://doi.org/10.1145/3643505
  • G11. Shi, Y., Liu, X., Yu, C., Yang, T., Gao, C., Liang, C., & Shi, Y. (2024). Bridging the Gap between Natural User Expression with Complex Automation Programming in Smart Homes. arXiv:2408.12687 (preprint). https://arxiv.org/abs/2408.12687
  • G12. Carcangiu, A., Manca, M., Mereu, J., Santoro, C., Simeoli, L., & Spano, L. D. (2025). Tell-XR: Conversational End-User Development of XR Automations. arXiv:2504.09104 (preprint). https://arxiv.org/abs/2504.09104
  • G13. Fan, S., Cong, X., Fu, Y., Zhang, Z., Zhang, S., Liu, Y., Wu, Y., Lin, Y., Liu, Z., & Sun, M. (2024). WorkflowLLM: Enhancing Workflow Orchestration Capability of Large Language Models. arXiv:2411.05451 (preprint). https://arxiv.org/abs/2411.05451
  • G14. Cheng, Y., Xu, M., Zhang, Y., Li, K., Wang, R., & Yang, L. (2024). AutoIoT: Automated IoT Platform Using Large Language Models. arXiv:2411.10665 (preprint). https://arxiv.org/abs/2411.10665

P2. 自己データと生成 AI

  • G15. Nepal, S., Pillai, A., Campbell, W., Massachi, T., et al. (2024). Contextual AI Journaling: Integrating LLM and Time Series Behavioral Sensing Technology to Promote Self-Reflection and Well-being using the MindScape App. arXiv:2404.00487 (preprint). https://arxiv.org/abs/2404.00487
  • G16. Nepal, S., Pillai, A., Campbell, W., Massachi, T., et al. (2024). MindScape Study: Integrating LLM and Behavioral Sensing for Personalized AI-Driven Journaling Experiences. arXiv:2409.09570 (preprint). https://arxiv.org/abs/2409.09570
  • G17. Heffner, J., Qin, C., Chadwick, M., Summerfield, C., Kurth-Nelson, Z., & Rutledge, R. B. (2025). Increasing Happiness through Conversations with Artificial Intelligence. arXiv:2504.02091 (preprint). https://arxiv.org/abs/2504.02091
  • G18. Osler, L. (2025). Knowing Oneself with and through AI: From Self-Tracking to Chatbots. Werkheiser, I. & Butler, M. (eds.) Finding Our Place in the Digital World: Philosophical Essays on Technology, Phenomenology, and the Environment, Springer（刊行予定）所収. arXiv:2512.03682 (preprint). https://arxiv.org/abs/2512.03682
  • G19. Nolasco, H. R., Vargo, A., & Kise, K. (2025). AI Solutionism and Digital Self-Tracking with Wearables. arXiv:2505.15162 (preprint). https://arxiv.org/abs/2505.15162
  • G20. Fang, C. M., Danry, V., Whitmore, N., Bao, A., Hutchison, A., Pierce, C., & Maes, P. (2024). PhysioLLM: Supporting Personalized Health Insights with Wearables and Large Language Models. arXiv:2406.19283 (preprint). https://arxiv.org/abs/2406.19283
  • G21. Jörke, M., Sapkota, S., Warkenthien, L., Vainio, N., Schmiedmayer, P., Brunskill, E., & Landay, J. A. (2025). GPTCoach: Towards LLM-Based Physical Activity Coaching. Proc. CHI 2025. https://doi.org/10.1145/3706598.3713819
  • G22. Wang, X., Griffith, J., Adler, D. A., Castillo, J., Choudhury, T., & Wang, F. (2025). Exploring Personalized Health Support through Data-Driven, Theory-Guided LLMs: A Case Study in Sleep Health. Proc. CHI 2025. https://doi.org/10.1145/3706598.3713852
  • G23. Cosentino, J., Belyaeva, A., Liu, X., Furlotte, N. A., et al. (2024). Towards a Personal Health Large Language Model. arXiv:2406.06474 (preprint). https://arxiv.org/abs/2406.06474
  • G24. Merrill, M. A., Paruchuri, A., Rezaei, N., Kovacs, G., Perez, J., et al. (2025). Transforming Wearable Data into Personal Health Insights using Large Language Model Agents. Nature Communications, 17, art.1143（2026年1月12日公開）. https://doi.org/10.1038/s41467-025-67922-y
  • G25. Heydari, A. A., Gu, K., Srinivas, V., Yu, H., Zhang, Z., et al. (2025). The Anatomy of a Personal Health Agent. arXiv:2508.20148 (preprint). https://arxiv.org/abs/2508.20148
  • G26. Dai, D., Pakianathan, P. V. S., Treff, G., Sareban, M., Smeddinck, J. D., & Kuoppamäki, S. (2026). Exploring Self-Tracking Practices of Older Adults with CVD to Inform the Design of LLM-Enabled Health Data Sensemaking. arXiv:2603.23733 (preprint). https://arxiv.org/abs/2603.23733
  • G27. Cui, Y., Emami, A., Prioleau, T., & Singh, N. (2026). If Only My CGM Could Speak: A Privacy-Preserving Agent for Question Answering over Continuous Glucose Data. ACL Findings 2026（採択）. https://arxiv.org/abs/2604.17133
  • G28. Hussain, W., & Grundy, J. (2025). Advice for Diabetes Self-Management by ChatGPT Models: Challenges and Recommendations. arXiv:2501.07931 (preprint). https://arxiv.org/abs/2501.07931
  • G29. Wisoff, J., Tang, Y., Fang, Z., Guzman, J., Wang, Y., & Yu, A. (2025). NoteBar: An AI-Assisted Note-Taking System for Personal Knowledge Management. arXiv:2509.03610 (preprint). https://arxiv.org/abs/2509.03610
  • G30. Abbas, A., Wohn, C., Jagtap, A., Rho, E. H., Kim, Y.-H., & Lee, S. W. (2026). “Having Lunch Now”: Understanding How Users Engage with a Proactive Agent for Daily Planning and Self-Reflection. Proc. CHI 2026, 1–23. https://doi.org/10.1145/3772318.3790957
  • G31. Arakawa, R., & Yakura, H. (2024). Coaching Copilot: Blended Form of an LLM-Powered Chatbot and a Human Coach to Effectively Support Self-Reflection for Leadership Growth. Proc. CUI ‘24. https://doi.org/10.1145/3640794.3665549
  • G32. Schimpf, M., Voigt, J., & Bohné, T. (2026). AI-Assisted Goal Setting Improves Goal Progress Through Social Accountability. arXiv:2603.17887 (preprint). https://arxiv.org/abs/2603.17887
  • G33. Schneegass, C., Chiossi, F., Cox, A. L., Dritsa, D., Mitrevska, T., Rainey, S., & Wilson, M. L. (2026). The Future of Cognitive Personal Informatics. Extended Abstracts of CHI 2026. https://doi.org/10.1145/3772363.3778687

P3. 当事者による自作支援技術と趣味の制作

  • G34. Kosa, S., Lee, B., Li, F. M., Mondal, M., Zhao, Y., & He, L. (2026). Not Seeing the Whole Picture: Challenges and Opportunities in Using AI for Co-Making Physical, DIY-AT for People with Visual Impairments. Proc. CHI 2026. https://doi.org/10.1145/3772318.3791815
  • G35. Herskovitz, J., Xu, A., Alharbi, R., & Guo, A. (2024). ProgramAlly: Creating Custom Visual Access Programs via Multi-Modal End-User Programming. Proc. UIST ‘24. https://doi.org/10.1145/3654777.3676391
  • G36. Herskovitz, J. (2024). DIY Assistive Software: End-User Programming for Personalized Assistive Technology. ACM SIGACCESS Accessibility and Computing. https://doi.org/10.1145/3654768.3654772
  • G37. Li, J., & Aflatoony, L. (2024). Exploring the Potential of Generative AI in DIY Assistive Technology Design by Occupational Therapists. Proc. ASSETS ‘24. https://doi.org/10.1145/3663548.3688506
  • G38. Jahangir, R., & Ishii, K. (2026). The Accessibility Capability Boundary: Operational Limits and Expansion Potential of AI-Generated Browser-Native Accessibility Systems. arXiv:2605.19638 (preprint). https://arxiv.org/abs/2605.19638
  • G39. Pan, Y., Liu, S., Lin, J., Shen, J., Wei, W., Zhang, L., Jiang, Y., Shen, Z., & Tang, X. (2026). Personal 3D Printing without Visual Dependency in the Generative AI Era: Opportunities and Challenges. Proc. DIS ‘26 Companion. https://doi.org/10.1145/3802974.3809447
  • G40. Tang, X., Fang, C., Wang, R., Sun, Y., & Chen, L. (2025). “This is My Fault”, Really? Understanding Blind and Low-Vision People’s Perception of Hallucination in Large Vision Language Models. Proc. UIST ‘25. https://doi.org/10.1145/3746059.3747597
  • G41. Gonzalez Penuela, R., Jung, C., Lin, K., Hu, Y., & Azenkot, S. (2026). How Multimodal Large Language Models Support Access to Visual Information: A Diary Study With Blind and Low Vision People. Proc. CHI 2026. https://doi.org/10.1145/3772318.3793266
  • G42. Payne, A. (2025). The Rise of the Robots: Is Generative AI the Future of Assistive Technology? University of Dundee（研修報告）. https://doi.org/10.20933/100001442
  • G43. Danry, V., Guzelis, O., Huang, H., Gershenfeld, N., & Maes, P. (2025). From Words to Worlds: Exploring Generative 3D Models in Design and Fabrication. 3D Printing and Additive Manufacturing. https://doi.org/10.1089/3dp.2023.0309
  • G44. Angert, T., Suzara, M., Han, J., Pondoc, C. L., & Subramonyam, H. (2023). Spellburst: A Node-based Interface for Exploratory Creative Coding with Natural Language Prompts. Proc. UIST ‘23. https://doi.org/10.1145/3586183.3606719
  • G45. Yuksel, K., & Sawaf, H. (2026). AI Co-Artist: A LLM-Powered Framework for Interactive GLSL Shader Animation Evolution. EvoMUSART 2026, LNCS. https://doi.org/10.1007/978-3-032-24350-8_13

P4. この象限に固有の限界

  • G46. Sankaranarayanan, S. (2026). Mitigating “Epistemic Debt” in Generative AI-Scaffolded Novice Programming using Metacognitive Scripts. arXiv:2602.20206 (preprint). https://arxiv.org/abs/2602.20206
  • G47. Fawzy, A., Tahir, A., & Blincoe, K. (2026). From Prompting to Verification: How Experience Shapes Vibe Coding Practices. arXiv:2605.24521 (preprint). https://arxiv.org/abs/2605.24521
  • G48. Gama, K., Calegario, F., Jackson, V., Nolte, A., Morais, L. A., & Garcia, V. (2026). “Can you feel the vibes?”: An Exploration of Novice Programmer Engagement with Vibe Coding. Proc. ICSE 2026. https://doi.org/10.1145/3786580.3786992
  • G49. Mitchell, J., & Shaaban, Y. (2025). Position: Vibe Coding Needs Vibe Reasoning: Improving Vibe Coding with Formal Verification. ACM SIGPLAN LMPL ‘25. https://doi.org/10.1145/3759425.3763390
  • G50. Czuprák, N., & Németh, R. (2025). The IKEA Effect in Human-AI Collaboration: Does the Effect Exist for Non-Physical Products? Part I. Marketing Science & Inspirations, 20(3), 2–6. https://doi.org/10.46286/msi.2025.20.3.1
  • G51. Czuprák, N., & Németh, R. (2025). The IKEA Effect in Human-AI Collaboration: Does the Effect Exist for Non-Physical Products? Part II. Marketing Science & Inspirations, 20(4), 2–11. https://doi.org/10.46286/msi.2025.20.4.1
  • G52. Klingbeil, A., Grützner, C., & Schreck, P. (2024). Trust and Reliance on AI — An Experimental Study on the Extent and Costs of Overreliance on AI. Computers in Human Behavior, 160, 108352. https://doi.org/10.1016/j.chb.2024.108352
  • G53. Araujo, T. (2026). Unpacking the Dynamics of Generative AI Use in Our Daily Lives: Towards an Integrative Trust Calibration Framework. AI & Society, 40. https://doi.org/10.1007/s00146-026-03279-0
  • G54. Gümüş, M. M. (2026). Developing a Scale for Generative AI Overreliance and Investigating Its Associations with Critical Thinking and Creativity. SSRN (preprint). https://doi.org/10.2139/ssrn.6891552
  • G55. Ehsani, R., Rawal, S., Cai, Y., & Chatterjee, P. (2026). Faster Code, Deeper Debt? A Multivocal Literature Review on Technical Debt and Its Early Signs in LLM-Assisted Software Development. arXiv:2606.14796 (preprint). https://arxiv.org/abs/2606.14796
  • G56. Matias, B. C., Freire, S., Freitas, J., Fronchetti, F., Damevski, K., & Spinola, R. (2026). A Survey on Large Language Model Impact on Software Evolvability and Maintainability: the Good, the Bad, the Ugly, and the Remedy. arXiv:2601.20879 (preprint). https://arxiv.org/abs/2601.20879
  • G57. Al Mujahid, A., & Imran, M. M. (2026). “TODO: Fix the Mess Gemini Created”: Towards Understanding GenAI-Induced Self-Admitted Technical Debt. arXiv:2601.07786 (preprint). https://arxiv.org/abs/2601.07786
  • G58. Selvanayagam, N., Ghaleb, T. A., & Abdellatif, M. (2026). Self-Admitted Technical Debt in LLM Software. arXiv:2601.06266 (preprint). https://arxiv.org/abs/2601.06266
  • G59. Aiersilan, A. (2026). The Vibe-Check Protocol: Quantifying Cognitive Offloading. arXiv:2601.02410 (preprint). https://arxiv.org/abs/2601.02410

← Notes 一覧 ・ ホーム