論文の概要: PlanFitting: Personalized Exercise Planning with Large Language Model-driven Conversational Agent
- arxiv url: http://arxiv.org/abs/2309.12555v2
- Date: Mon, 19 May 2025 06:45:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 21:29:33.260252
- Title: PlanFitting: Personalized Exercise Planning with Large Language Model-driven Conversational Agent
- Title（参考訳）: プランフィッティング:大規模言語モデル駆動対話エージェントを用いた個人化演習計画
- Authors: Donghoon Shin, Gary Hsieh, Young-Ho Kim,
- Abstract要約: この研究は、これらの課題に対処する上で、LLM(Large Language Models)の能力を探求する。
LLMによる会話エージェントであるPlanFittingを紹介し,個別の週次運動計画の作成と修正を支援する。
ユーザによる調査,本質的な評価,専門家による評価を含む本研究では,PlanFittingがユーザに対して,適切な,行動可能な,エビデンスに基づいたプラン作成を指導する能力を示した。
- 参考スコア（独自算出の注目度）: 17.89361802885661
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Creating personalized and actionable exercise plans often requires iteration with experts, which can be costly and inaccessible to many individuals. This work explores the capabilities of Large Language Models (LLMs) in addressing these challenges. We present PlanFitting, an LLM-driven conversational agent that assists users in creating and refining personalized weekly exercise plans. By engaging users in free-form conversations, PlanFitting helps elicit users' goals, availabilities, and potential obstacles, and enables individuals to generate personalized exercise plans aligned with established exercise guidelines. Our study -- involving a user study, intrinsic evaluation, and expert evaluation -- demonstrated PlanFitting's ability to guide users to create tailored, actionable, and evidence-based plans. We discuss future design opportunities for LLM-driven conversational agents to create plans that better comply with exercise principles and accommodate personal constraints.
- Abstract（参考訳）: パーソナライズされ、行動可能なエクササイズプランを作成するには、多くの個人にとってコストがかかり、アクセス不能な専門家とのイテレーションが必要になることが多い。
この研究は、これらの課題に対処する上で、LLM(Large Language Models)の能力を探求する。
LLMによる会話エージェントであるPlanFittingを紹介し,個別の週次運動計画の作成と修正を支援する。
ユーザを自由形式の会話に誘惑することで、PlanFittingは、ユーザの目標、有効性、潜在的な障害を引き出すのに役立ち、確立したエクササイズガイドラインに沿ったパーソナライズされたエクササイズプランを作成できる。
ユーザによる調査,本質的な評価,専門家による評価を含む本研究では,PlanFittingがユーザに対して,適切な,行動可能な,エビデンスに基づいたプラン作成を指導する能力を示した。
我々は,LLMによる対話エージェントが,運動原理に適合し,個人的制約に適合するプランを作成するための将来の設計機会について論じる。
関連論文リスト
- Hindsight Planner: A Closed-Loop Few-Shot Planner for Embodied Instruction Following [62.10809033451526]
本研究は,Large Language Models (LLM) を用いた Embodied Instruction following (EIF) タスクプランナの構築に焦点をあてる。
我々は,このタスクを部分観測可能なマルコフ決定プロセス (POMDP) として構成し,数発の仮定で頑健なプランナーの開発を目指す。
ALFREDデータセットに対する我々の実験は、プランナーが数ショットの仮定で競争性能を達成することを示す。
論文 参考訳（メタデータ） (2024-12-27T10:05:45Z) - PlanCritic: Formal Planning with Human Feedback [0.994853090657971]
現実の計画問題は、しばしば複雑すぎて、1人の無知の人間によって効果的に取り組まれない。
最近の研究は、複雑な領域における人間を支援する共同計画システムの開発に重点を置いている。
我々は、より広範な協調計画システムの一環として、フィードバック駆動型計画批判を提示する。
論文 参考訳（メタデータ） (2024-11-30T00:58:48Z) - LASP: Surveying the State-of-the-Art in Large Language Model-Assisted AI Planning [7.36760703426119]
この調査は、言語モデルで計画する際の既存の課題を強調することを目的としている。
実施環境、最適なスケジューリング、競争と協力のゲーム、タスクの分解、推論、計画といった重要な分野に焦点を当てている。
論文 参考訳（メタデータ） (2024-09-03T11:39:52Z) - Socratic Planner: Inquiry-Based Zero-Shot Planning for Embodied Instruction Following [17.608330952846075]
EIF(Embodied Instruction following)は、3D環境のオブジェクトをナビゲートして操作することで自然言語命令を実行するタスクである。
EIFの主な課題の1つは構成的タスク計画であり、しばしばラベル付きデータによる教師付きまたはコンテキスト内学習で対処される。
トレーニングデータを必要とせずに推測できる最初のゼロショットプランニング手法であるソクラティックプランナーを紹介する。
論文 参考訳（メタデータ） (2024-04-21T08:10:20Z) - PlanGPT: Enhancing Urban Planning with Tailored Language Model and
Efficient Retrieval [8.345858904808873]
汎用的な大規模言語モデルは、しばしばプランナーのニーズを満たすのに苦労する。
PlanGPTは、都市と空間計画に適した最初の大規模言語モデルである。
論文 参考訳（メタデータ） (2024-02-29T15:41:20Z) - TravelPlanner: A Benchmark for Real-World Planning with Language Agents [63.199454024966506]
我々は,旅行計画に焦点を当てた新しい計画ベンチマークであるTravelPlannerを提案する。
豊富なサンドボックス環境、400万近いデータレコードにアクセスするためのさまざまなツール、計画意図とリファレンスプランを慎重にキュレートした1,225のツールを提供する。
包括的評価では、現在の言語エージェントがそのような複雑な計画タスクを処理できないことが示されており、GPT-4でさえ0.6%の成功率しか達成できない。
論文 参考訳（メタデータ） (2024-02-02T18:39:51Z) - LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。
当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
論文 参考訳（メタデータ） (2023-12-30T02:53:45Z) - Learning adaptive planning representations with natural language
guidance [90.24449752926866]
本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。
Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
論文 参考訳（メタデータ） (2023-12-13T23:35:31Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z) - EIPE-text: Evaluation-Guided Iterative Plan Extraction for Long-Form
Narrative Text Generation [114.50719922069261]
長文物語テキスト生成のための評価誘導反復計画抽出法(EIPE-text)を提案する。
EIPEテキストには、計画抽出、学習、推論の3段階がある。
小説やストーリーテリングの分野におけるEIPEテキストの有効性を評価する。
論文 参考訳（メタデータ） (2023-10-12T10:21:37Z) - EmbodiedGPT: Vision-Language Pre-Training via Embodied Chain of Thought [95.37585041654535]
Embodied AIは、ロボットが物理的な環境で長時間のタスクを遂行するためのアクションシーケンスを計画し、実行することができる。
本稿では,EmbodiedGPTを紹介する。EmbodiedGPTは,エンボディドAIのためのエンドツーエンドのマルチモーダル基盤モデルである。
実験は、実施計画、実施制御、視覚的キャプション、視覚的質問応答など、実施されたタスクに対するEmbodiedGPTの有効性を示す。
論文 参考訳（メタデータ） (2023-05-24T11:04:30Z) - Multimodal Contextualized Plan Prediction for Embodied Task Completion [9.659463406886301]
タスクプランニングは従来のロボットシステムにおいて重要なコンポーネントであり、ロボットがより複雑なタスクを実行するためのきめ細かいスキルを組み立てることができる。
シミュレーション実施エージェントにおけるタスク完了のための自然言語を実行可能なアクションに翻訳する最近の作業構築システムは,低レベルのアクションシーケンスを直接予測することに焦点を当てている。
我々は,そのような具体化されたタスク完了データセット - TEACh に対して,より高いレベルの計画表現を予測することに集中する。
論文 参考訳（メタデータ） (2023-05-10T22:29:12Z) - Collaborative Human-Agent Planning for Resilience [5.2123460114614435]
実行時に線形時間論理(LTL)を用いてエージェントに知識を提供することで,エージェントと協調できるかどうかを検討する。
我々は,計画立案者が制限のある状況に対する基本計画案を24名提示し,これらの制限に対する回避策を参加者に求めた。
その結果, 参加者の制約により, 計画の期待リターンが10%向上した。
論文 参考訳（メタデータ） (2021-04-29T03:21:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。