Fugu-MT 論文翻訳(概要): Into the Unknown Unknowns: Engaged Human Learning through Participation in Language Model Agent Conversations

論文の概要: Into the Unknown Unknowns: Engaged Human Learning through Participation in Language Model Agent Conversations

arxiv url: http://arxiv.org/abs/2408.15232v1
Date: Tue, 27 Aug 2024 17:50:03 GMT
ステータス: 処理完了
システム内更新日: 2024-08-28 12:53:10.592303
Title: Into the Unknown Unknowns: Engaged Human Learning through Participation in Language Model Agent Conversations
Title（参考訳）: 未知の未知へ:言語モデルエージェント会話への参加を通してのヒューマンラーニング
Authors: Yucheng Jiang, Yijia Shao, Dekun Ma, Sina J. Semnani, Monica S. Lam,
Abstract要約: 協調的なSTORMは、複数のLMエージェント間の会話を観察し、管理することを可能にする。エージェントはユーザの代理として質問を行い、未知の未知をセレンディピティーに発見する。自動評価のために,実際の情報検索記録をユーザ目標として収集し,WildSeekデータセットを構築する。
参考スコア（独自算出の注目度）: 8.848859080368799
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While language model (LM)-powered chatbots and generative search engines excel at answering concrete queries, discovering information in the terrain of unknown unknowns remains challenging for users. To emulate the common educational scenario where children/students learn by listening to and participating in conversations of their parents/teachers, we create Collaborative STORM (Co-STORM). Unlike QA systems that require users to ask all the questions, Co-STORM lets users observe and occasionally steer the discourse among several LM agents. The agents ask questions on the user's behalf, allowing the user to discover unknown unknowns serendipitously. To facilitate user interaction, Co-STORM assists users in tracking the discourse by organizing the uncovered information into a dynamic mind map, ultimately generating a comprehensive report as takeaways. For automatic evaluation, we construct the WildSeek dataset by collecting real information-seeking records with user goals. Co-STORM outperforms baseline methods on both discourse trace and report quality. In a further human evaluation, 70% of participants prefer Co-STORM over a search engine, and 78% favor it over a RAG chatbot.
Abstract（参考訳）: 言語モデル(LM)を利用したチャットボットと生成検索エンジンは具体的な質問に答えるのに優れているが、未知の地形の情報を見つけることはユーザにとって依然として困難である。子どもや生徒が親や教師の会話に耳を傾け,参加することで学習する一般的な教育シナリオをエミュレートするために,協調的STORM(Co-STORM)を作成する。ユーザがすべての質問をしなければならないQAシステムとは異なり、Co-STORMでは、複数のLMエージェント間の会話を観察し、時には操縦することができる。エージェントはユーザの代理として質問を行い、未知の未知をセレンディピティーに発見する。 Co-STORMは、ユーザとの対話を容易にするために、発見された情報をダイナミックマインドマップに整理することで、ユーザによる会話の追跡を支援し、最終的には、テイクアウトとして包括的なレポートを生成する。自動評価のために,実際の情報検索記録をユーザ目標として収集し,WildSeekデータセットを構築する。 Co-STORMは、談話トレースとレポート品質の両方でベースラインメソッドより優れています。さらに人間による評価では、70%の参加者が検索エンジンよりもCo-STORMを好み、78%がRAGチャットボットよりもCo-STORMを好んでいる。

関連論文リスト

Exploring Knowledge Tracing in Tutor-Student Dialogues [53.52699766206808]
本稿では,教師と学生の対話における知識追跡(KT)の最初の試みについて述べる。そこで本研究では,対話の各ターンに係わる知識コンポーネントやスキルを同定する手法を提案する。次に,得られたラベル付きデータに様々なKT手法を適用し,対話全体を通して学生の知識レベルを追跡する。
論文参考訳（メタデータ） (2024-09-24T22:31:39Z)
Improving Ontology Requirements Engineering with OntoChat and Participatory Prompting [3.3241053483599563]
OREは主に、ドメインの専門家からユーザ要求を集めるために、インタビューや共同フォーラムのような手動の手法に依存しています。 Current OntoChatは,大規模な言語モデル(LLM)を使用してプロセスを合理化するための,ORE用のフレームワークを提供する。本研究は,ユーザストーリのペルソナ,目標,シナリオ,サンプルデータ,データリソースの作成と精錬に重点を置いた,ユーザクエリに基づく事前定義されたプロンプトテンプレートを生成する。
論文参考訳（メタデータ） (2024-08-09T19:21:14Z)
Using LLMs to Investigate Correlations of Conversational Follow-up Queries with User Satisfaction [32.32365329050603]
そこで本稿では,会話検索エンジンNaver Cueから18人のユーザのフォローアップクエリパターンの分類法を提案する。クエリ修正に関する既存の文献と比較して、フォローアップクエリの背後にある新たなモチベーションとアクションが明らかになった。最初の結果から,Clarifying Queries, Excluding Condition, Substitutioning Condition with follow-up queryなど,いくつかの不満のシグナルが示唆された。
論文参考訳（メタデータ） (2024-07-18T05:10:35Z)
Knowledge-Augmented Large Language Models for Personalized Contextual Query Suggestion [16.563311988191636]
我々は,Web上での検索と閲覧活動に基づいて,各ユーザを対象としたエンティティ中心の知識ストアを構築した。この知識ストアは、公的な知識グラフ上の興味と知識のユーザ固有の集約予測のみを生成するため、軽量である。
論文参考訳（メタデータ） (2023-11-10T01:18:47Z)
AutoConv: Automatically Generating Information-seeking Conversations with Large Language Models [74.10293412011455]
合成会話生成のためのAutoConvを提案する。具体的には,会話生成問題を言語モデリングタスクとして定式化する。我々は、情報探索プロセスの特徴を捉えるために、人間同士の会話でLLMを微調整する。
論文参考訳（メタデータ） (2023-08-12T08:52:40Z)
Search-Engine-augmented Dialogue Response Generation with Cheaply Supervised Query Production [98.98161995555485]
応答生成のために,任意の検索エンジンから膨大な動的情報にアクセス可能な対話モデルを提案する。コアモジュールとして、クエリプロデューサを使用して、対話コンテキストからクエリを生成して、検索エンジンと対話する。 R@1とR@5のレートを62.4%と74.8%で達成できることを示す実験を行った。
論文参考訳（メタデータ） (2023-02-16T01:58:10Z)
INSCIT: Information-Seeking Conversations with Mixed-Initiative Interactions [47.90088587508672]
InSCItは、混合開始型インタラクションによる情報探索会話のためのデータセットである。ユーザーエージェントは805対人会話から4.7Kである。対話型知識認識とオープンドメイン質問応答の最先端モデルに基づく2つのシステムの結果を報告する。
論文参考訳（メタデータ） (2022-07-02T06:18:12Z)
KETOD: Knowledge-Enriched Task-Oriented Dialogue [77.59814785157877]
対話システム研究における既存の研究は、主にタスク指向の対話とチャットを独立したドメインとして扱う。本研究では,タスク指向対話と知識ベースチップチャットを一つのモデルに効果的に統合する方法について検討する。
論文参考訳（メタデータ） (2022-05-11T16:01:03Z)
Information Seeking in the Spirit of Learning: a Dataset for Conversational Curiosity [10.409312809724458]
我々は、ユーザが知っていることに関連する事実を提示されると、エンゲージメントが増加するという仮説をテストするウィザード・オブ・オズ・ダイアログタスクを設計する。ユーザとアシスタントが地理的話題について会話する14Kダイアログ(181K発声)を収集・リリースする。このデータセットには、既存のユーザ知識、メッセージレベルのダイアログアクション、ウィキペディアへの接地、メッセージに対するユーザ反応が注釈付けされている。
論文参考訳（メタデータ） (2020-05-01T01:55:09Z)
Conversations with Search Engines: SERP-based Conversational Response Generation [77.1381159789032]
我々は、検索エンジンと対話するためのパイプラインを開発するために、適切なデータセット、検索・アズ・ア・会話(SaaC)データセットを作成します。また、このデータセットを用いて、検索エンジンと対話するための最先端パイプライン(Conversations with Search Engines (CaSE))も開発しています。 CaSEは、サポートされたトークン識別モジュールとプリア・アウェア・ポインタージェネレータを導入することで最先端を向上する。
論文参考訳（メタデータ） (2020-04-29T13:07:53Z)

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。