論文の概要: ABScribe: Rapid Exploration of Multiple Writing Variations in Human-AI Co-Writing Tasks using Large Language Models

• arxiv url: http://arxiv.org/abs/2310.00117v2
• Date: Tue, 10 Oct 2023 15:16:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 02:37:36.097554
• Title: ABScribe: Rapid Exploration of Multiple Writing Variations in Human-AI Co-Writing Tasks using Large Language Models
• Title（参考訳）: ABScribe:大規模言語モデルを用いた人間とAIの共筆作業における複数の記述変動の迅速探索
• Authors: Mohi Reza, Nathan Laundry, Ilya Musabirov, Peter Dushniku, Zhi Yuan "Michael" Yu, Kashish Mittal, Tovi Grossman, Michael Liut, Anastasia Kuzminykh, Joseph Jay Williams
• Abstract要約: ABScribeは高速かつ視覚的に構造化されたインタフェースで、人間とAIの共筆タスクのバリエーションを探索する。 ABScribeでは、再利用可能なボタンに自動変換されるLSMプロンプトを使用して、素早く複数のバリエーションを生成できる。 12名のライターによるユーザスタディでは、ABScribeはタスクの負荷を大幅に削減している。
• 参考スコア（独自算出の注目度）: 25.651456336493542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exploring alternative ideas by rewriting text is integral to the writing process. State-of-the-art large language models (LLMs) can simplify writing variation generation. However, current interfaces pose challenges for simultaneous consideration of multiple variations: creating new versions without overwriting text can be difficult, and pasting them sequentially can clutter documents, increasing workload and disrupting writers' flow. To tackle this, we present ABScribe, an interface that supports rapid, yet visually structured, exploration of writing variations in human-AI co-writing tasks. With ABScribe, users can swiftly produce multiple variations using LLM prompts, which are auto-converted into reusable buttons. Variations are stored adjacently within text segments for rapid in-place comparisons using mouse-over interactions on a context toolbar. Our user study with 12 writers shows that ABScribe significantly reduces task workload (d = 1.20, p < 0.001), enhances user perceptions of the revision process (d = 2.41, p < 0.001) compared to a popular baseline workflow, and provides insights into how writers explore variations using LLMs.
• Abstract（参考訳）: テキストの書き直しによる代替アイデアの探索は、記述プロセスに不可欠である。 State-of-the-art large language model (LLM) は、変動生成を単純化する。 テキストを上書きせずに新しいバージョンを作成することは困難であり、それらを逐次ペーストすることでドキュメントを乱し、作業負荷を増加させ、ライターのフローを乱す可能性がある。 ABScribeは高速かつ視覚的に構造化されたインタフェースで、人間とAIの共筆タスクにおける書込みのバリエーションを探索する。 ABScribeでは、再利用可能なボタンに自動変換されるLSMプロンプトを使用して、素早く複数のバリエーションを生成できる。 変化はテキストセグメント内に隣接して格納され、コンテキストツールバー上のマウスオーバーインタラクションを用いた高速なインプレース比較を行う。 12名のライターによるユーザスタディでは、ABScribeはタスクの作業負荷(d = 1.20, p < 0.001)を大幅に削減し、リビジョンプロセス(d = 2.41, p < 0.001)のユーザ認識を一般的なベースラインワークフローと比較して向上させ、LLMを用いたバリエーションの探索方法に関する洞察を提供する。

関連論文リスト

• A Bounding Box is Worth One Token: Interleaving Layout and Text in a Large Language Model for Document Understanding [30.754200683466788]
  文書理解のための大規模言語モデル(LayTextLLM)にインターリービングレイアウトとテキストを導入する。 LayTextLLMは、各バウンディングボックスを単一の埋め込みに投影し、テキストでインターリーブする。 また、キー情報抽出(KIE)と視覚質問応答(VQA)の性能向上も示す。
  論文  参考訳（メタデータ） (2024-07-02T06:29:05Z)
• Towards Full Authorship with AI: Supporting Revision with AI-Generated Views [3.109675063162349]
  大きな言語モデル(LLM)は、ユーザーがプロンプトを通じてテキストを生成できるようにすることで、ツールを書く際に新しいユーザーインターフェイス(UI)パラダイムを形作っている。 このパラダイムは、ユーザからシステムへの創造的なコントロールを移行することで、書き込みプロセスにおけるユーザのオーサシップと自律性を低下させる。 テキストフォーカス(Textfocals)は,文章作成におけるユーザの役割を強調する,人間中心のアプローチを調査するためのプロトタイプである。
  論文  参考訳（メタデータ） (2024-03-02T01:11:35Z)
• RewriteLM: An Instruction-Tuned Large Language Model for Text Rewriting [11.306772273707253]
  大規模言語モデル(LLM)は、ストーリーテリングや電子メール生成といった創造的なタスクにおいて、印象的な機能を示している。 我々は,命令チューニングと強化学習のための新しい戦略を開発し,文間書き直し作業のためのLLMの整合性を向上する。 OpenRewriteEvalは、自然言語命令で表現される多種多様な書き換えタイプをカバーする新しいベンチマークである。
  論文  参考訳（メタデータ） (2023-05-25T03:26:26Z)
• TEMPERA: Test-Time Prompting via Reinforcement Learning [57.48657629588436]
  強化学習(TEMPERA)を用いたテスト時間プロンプト編集を提案する。 従来のプロンプト生成手法とは対照的に、TEMPERAは事前知識を効率的に活用することができる。 本手法は従来の微調整法と比較して試料効率の平均改善率を5.33倍に向上させる。
  論文  参考訳（メタデータ） (2022-11-21T22:38:20Z)
• PEER: A Collaborative Language Model [70.11876901409906]
  PEER(コラボレーティブ言語モデル)は,記述プロセス全体を模倣した言語モデルである。 PEERは、ドラフトの作成、提案の追加、編集の提案、アクションの説明を提供することができる。 PEERは様々な領域にまたがって高い性能を示し,編集作業を行う。
  論文  参考訳（メタデータ） (2022-08-24T16:56:47Z)
• Interactive and Visual Prompt Engineering for Ad-hoc Task Adaptation with Large Language Models [116.25562358482962]
  最先端のニューラルネットワークモデルは、教師付きトレーニングを必要とせずに、アドホックな言語タスクを解決するために使用することができる。 PromptIDEを使えば、ユーザはプロンプトのバリエーションを試すことができ、プロンプトのパフォーマンスを視覚化し、反復的にプロンプトを最適化できる。
  論文  参考訳（メタデータ） (2022-08-16T17:17:53Z)
• Composable Text Controls in Latent Space with ODEs [97.12426987887021]
  本稿では,コンパクトテキスト空間における構成可能なテキスト操作のための,新しい効率的なアプローチを提案する。 事前学習したLMを効率よく適応することで、サンプルベクトルを所望のテキストシーケンスにデコードする。 実験により、我々のアプローチ内でこれらの演算子を構成すると、高品質なテキストの生成や編集が可能であることが示された。
  論文  参考訳（メタデータ） (2022-08-01T06:51:45Z)
• Letter-level Online Writer Identification [86.13203975836556]
  我々は文字レベルのオンラインライタIDという新たな問題に焦点をあてる。 主な課題は、しばしば異なるスタイルで手紙を書くことである。 我々はこの問題をオンライン書記スタイルのばらつき(Var-O-Styles)と呼ぶ。
  論文  参考訳（メタデータ） (2021-12-06T07:21:53Z)
• Enabling Language Models to Fill in the Blanks [81.59381915581892]
  文書中の任意の位置にあるテキストの欠落を予測するタスクである,テキストを埋め込むためのシンプルなアプローチを提案する。 我々は、人工的にマスキングされたテキストと隠蔽されたテキストの連結を含むシーケンスに基づいて、オフザシェルフ言語モデル(またはファインチューン)を訓練する。 言語モデリングにより,この手法により,3つの分野(短編,科学的な要約,歌詞)において,LMが文全体を効果的に埋め込むことができることを示す。
  論文  参考訳（メタデータ） (2020-05-11T18:00:03Z)

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。