論文の概要: Leveraging Large Language Models for Collective Decision-Making
- arxiv url: http://arxiv.org/abs/2311.04928v2
- Date: Wed, 24 Jan 2024 19:38:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 17:36:36.442592
- Title: Leveraging Large Language Models for Collective Decision-Making
- Title(参考訳): 集団意思決定のための大規模言語モデル活用
- Authors: Marios Papachristou, Longqi Yang, Chin-Chia Hsu
- Abstract要約: ミーティングのスケジューリング、コラボレーション、プロジェクト計画など、さまざまな作業コンテキストにおいて、集合的な意思決定は不可欠だが、しばしば困難である。
本稿では,Large Language Models (LLMs) を利用して,対話の管理と個人の好みのバランスをとることによって,グループ意思決定を容易にするシステムを提案する。
- 参考スコア(独自算出の注目度): 7.7254450638158
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In various work contexts, such as meeting scheduling, collaborating, and
project planning, collective decision-making is essential but often challenging
due to diverse individual preferences, varying work focuses, and power dynamics
among members. To address this, we propose a system leveraging Large Language
Models (LLMs) to facilitate group decision-making by managing conversations and
balancing preferences among individuals. Our system aims to extract individual
preferences from conversations and suggest options that satisfy the preferences
of the members. We specifically apply this system to corporate meeting
scheduling. We create synthetic employee profiles and simulate conversations at
scale, leveraging LLMs to evaluate the system performance as a novel approach
to conducting a user study. Our results indicate efficient coordination with
reduced interactions between the members and the LLM-based system. The system
refines and improves its proposed options over time, ensuring that many of the
members' individual preferences are satisfied in an equitable way. Finally, we
conduct a survey study involving human participants to assess our system's
ability to aggregate preferences and reasoning about them. Our findings show
that the system exhibits strong performance in both dimensions.
- Abstract(参考訳): ミーティングのスケジューリング、コラボレーション、プロジェクト計画といった様々な作業コンテキストにおいて、集団的な意思決定は不可欠であるが、様々な個人の好み、様々な作業の焦点、メンバー間の力のダイナミクスのためにしばしば困難である。
そこで本稿では,Large Language Models (LLM) を利用したグループ意思決定を支援するシステムを提案する。
本システムの目的は,会話から個々の選好を抽出し,メンバの選好を満足する選択肢を提案することである。
本稿では,このシステムを企業会議スケジューリングに適用する。
ユーザ調査を行うための新たなアプローチとして,llmを利用してシステムパフォーマンスを評価することで,合成した従業員プロファイルを作成し,会話を大規模にシミュレートする。
この結果から,LLMシステムとメンバー間の相互作用の低減による効率的な協調効果が示唆された。
このシステムは、提案されたオプションを改良し、時間とともに改善し、メンバーの個々の好みの多くが公平な方法で満たされるようにします。
最後に,対象者の選好や推論を集約するシステムの能力を評価するための調査を行った。
その結果,両次元で高い性能を示すことがわかった。
関連論文リスト
- A Personalized Framework for Consumer and Producer Group Fairness
Optimization in Recommender Systems [13.89038866451741]
本稿では,CP-FairRankを提案する。CP-FairRankは,消費者と生産者の双方の公正性制約をシームレスに統合する最適化アルゴリズムである。
提案手法は, 消費者および生産者の公正性を, 全体的な推薦品質を損なうことなく向上させることができることを示す。
論文 参考訳(メタデータ) (2024-02-01T10:42:05Z) - On Leveraging Large Language Models for Enhancing Entity Resolution [11.668263762236343]
本稿では,大規模言語モデル(LLM)を実体分解プロセスで効率的に活用するための戦略を紹介する。
当社のアプローチは、予算に制限された消費を維持しながら、最も効果的なマッチング質問を最適に選択します。
エントロピーを指標として提案手法の有効性を評価し,提案手法の有効性と有効性について実験的に検証した。
論文 参考訳(メタデータ) (2024-01-07T09:06:58Z) - Developing Interactive Tourism Planning: A Dialogue Robot System Powered
by a Large Language Model [2.1663483476149863]
大規模言語モデル(LLM)は急速に普及し、対話システムの研究など様々なタスクに利用されてきた。
我々は,LLMのフレキシブルな会話能力を活用するだけでなく,人間の会話負荷を軽減するための高度な計画能力も構築することを目指している。
論文 参考訳(メタデータ) (2023-12-21T03:09:38Z) - Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。
Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
論文 参考訳(メタデータ) (2023-11-13T16:00:16Z) - Improving Interpersonal Communication by Simulating Audiences with
Language Models [20.056253963100463]
本研究では,個人が目標を達成しようとする聴衆にコミュニケーションするシナリオを入力として扱う,探索・シミュレーション・シミュレーション(EGS)フレームワークを提案する。
EGSは、シナリオに関連するアドバイスの多様なセットを生成し、アドバイスのサブセットに条件付けされたコミュニケーション候補を生成し、様々なオーディエンスからの反応をシミュレートし、最適な候補と使用するアドバイスの両方を決定する。
EGSは,様々な状況において,目標指向コミュニケーションの有効性と成果を高める。
論文 参考訳(メタデータ) (2023-11-01T17:44:50Z) - AgentCF: Collaborative Learning with Autonomous Language Agents for
Recommender Systems [112.76941157194544]
本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。
我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。
全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
論文 参考訳(メタデータ) (2023-10-13T16:37:14Z) - Decision-Oriented Dialogue for Human-AI Collaboration [50.649196780502976]
決定指向対話と呼ばれるタスクのクラスについて説明する。そこでは、AIアシスタントが自然言語を介して1つ以上の人間と協力し、複雑な意思決定を支援する必要がある。
日常的な意思決定に直面する3つの領域を定式化し,(1)レビュアーの会議論文への課題の選択,(2)都市における複数段階の旅程の計画,(3)友人集団の旅行計画の交渉を行う。
各タスクに対して、エージェントが到達した最終決定の質に基づいて報酬を受け取る対話環境を構築する。
論文 参考訳(メタデータ) (2023-05-31T17:50:02Z) - Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。
本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文 参考訳(メタデータ) (2020-10-02T07:11:19Z) - Learning an Effective Context-Response Matching Model with
Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。
我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。
実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
論文 参考訳(メタデータ) (2020-09-14T08:44:46Z) - Auxiliary-task Based Deep Reinforcement Learning for Participant
Selection Problem in Mobile Crowdsourcing [30.124365580284888]
モバイルのクラウドソーシングでは、複数の目標を達成するために、求職者からの位置情報対応タスクを参加者に選択する。
異なる MCS システムには異なる目標があり、ある MCS システムでも相反する目標が存在する可能性がある。
複数の目標を達成するために,様々なMCSシステムに適用可能な参加者選択アルゴリズムを設計することが重要である。
論文 参考訳(メタデータ) (2020-08-25T15:02:54Z) - Is Your Goal-Oriented Dialog Model Performing Really Well? Empirical
Analysis of System-wise Evaluation [114.48767388174218]
本稿では,異なる設定の異なるモジュールから構成される異なるダイアログシステムについて,実験的検討を行った。
この結果から, 粗粒度ラベルで学習した連系や終端モデルを用いたシステムよりも, 細粒度監視信号を用いて訓練したパイプラインダイアログシステムの方が, 高い性能が得られることが示唆された。
論文 参考訳(メタデータ) (2020-05-15T05:20:06Z)
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。