論文の概要: Navigating the Unknown: A Chat-Based Collaborative Interface for Personalized Exploratory Tasks

• arxiv url: http://arxiv.org/abs/2410.24032v1
• Date: Thu, 31 Oct 2024 15:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:03:02.247530
• Title: Navigating the Unknown: A Chat-Based Collaborative Interface for Personalized Exploratory Tasks
• Title（参考訳）: 未知をナビゲートする: パーソナル化された探索課題のためのチャットベースの協調インタフェース
• Authors: Yingzhe Peng, Xiaoting Qin, Zhiyang Zhang, Jue Zhang, Qingwei Lin, Xu Yang, Dongmei Zhang, Saravan Rajmohan, Qi Zhang,
• Abstract要約: 本稿ではCARE(Collaborative Assistant for Personalized Exploration)を紹介する。 CARE は多エージェント LLM フレームワークと構造化ユーザインタフェースを組み合わせることにより,探索作業におけるパーソナライズを向上するシステムである。 この結果から, パーソナライズされた問題解決・探索において, CARE が LLM ベースのシステムを受動的情報検索システムから積極的パートナーに転換する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 35.09558253658275
• License:
• Abstract: The rise of large language models (LLMs) has revolutionized user interactions with knowledge-based systems, enabling chatbots to synthesize vast amounts of information and assist with complex, exploratory tasks. However, LLM-based chatbots often struggle to provide personalized support, particularly when users start with vague queries or lack sufficient contextual information. This paper introduces the Collaborative Assistant for Personalized Exploration (CARE), a system designed to enhance personalization in exploratory tasks by combining a multi-agent LLM framework with a structured user interface. CARE's interface consists of a Chat Panel, Solution Panel, and Needs Panel, enabling iterative query refinement and dynamic solution generation. The multi-agent framework collaborates to identify both explicit and implicit user needs, delivering tailored, actionable solutions. In a within-subject user study with 22 participants, CARE was consistently preferred over a baseline LLM chatbot, with users praising its ability to reduce cognitive load, inspire creativity, and provide more tailored solutions. Our findings highlight CARE's potential to transform LLM-based systems from passive information retrievers to proactive partners in personalized problem-solving and exploration.
• Abstract（参考訳）: 大規模言語モデル(LLM)の台頭は、知識ベースのシステムとのユーザインタラクションに革命をもたらし、チャットボットが大量の情報を合成し、複雑で探索的なタスクを支援することができるようになった。 しかし、LSMベースのチャットボットは、ユーザがあいまいなクエリから始めるか、あるいは十分なコンテキスト情報がない場合に、パーソナライズされたサポートを提供するのに苦労することが多い。 本稿では,多エージェントLLMフレームワークと構造化ユーザインタフェースを組み合わせることで,探索作業におけるパーソナライズを強化するシステムであるCAREについて紹介する。 CAREのインターフェースはChat Panel、Solution Panel、Needes Panelで構成されており、反復的なクエリリファインメントと動的ソリューション生成を可能にする。 マルチエージェントフレームワークは、明示的なユーザニーズと暗黙的なユーザニーズの両方を特定し、カスタマイズされたアクション可能なソリューションを提供する。 22人の参加者による内的ユーザスタディでは、CAREはベースラインのLLMチャットボットよりも一貫して好まれ、ユーザーは認知負荷を減らし、創造性を刺激し、よりカスタマイズされたソリューションを提供する能力を賞賛した。 この結果から, パーソナライズされた問題解決・探索において, 受動的情報検索システムから積極的なパートナーへ, LCMベースのシステムを変換する可能性が示唆された。

関連論文リスト

• Constraining Participation: Affordances of Feedback Features in Interfaces to Large Language Models [49.74265453289855]
  大規模言語モデル(LLM)は、コンピュータ、Webブラウザ、ブラウザベースのインターフェースによるインターネット接続を持つ人なら誰でも利用できるようになった。 本稿では,ChatGPTインタフェースにおける対話型フィードバック機能の可能性について検討し,ユーザ入力の形状やイテレーションへの参加について分析する。
  論文  参考訳（メタデータ） (2024-08-27T13:50:37Z)
• Hello Again! LLM-powered Personalized Agent for Long-term Dialogue [63.65128176360345]
  モデルに依存しない長期対話エージェント(LD-Agent)を導入する。 イベント認識、ペルソナ抽出、応答生成のための3つの独立した調整可能なモジュールが組み込まれている。 LD-Agentの有効性, 汎用性, クロスドメイン性について実験的に検証した。
  論文  参考訳（メタデータ） (2024-06-09T21:58:32Z)
• CoRAL: Collaborative Retrieval-Augmented Large Language Models Improve Long-tail Recommendation [34.29410946387975]
  我々は,協調的な証拠を直接プロンプトに組み込む共同検索強化型LLM,CoRALを紹介した。 LLMは、ユーザ間の共有や個別の好みを分析し、特定のアイテムにどのタイプのユーザが惹かれるかを示すパターンを要約することができる。 実験の結果,コラルは特定のレコメンデーションタスクにおけるLLMの推論能力を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-03-11T05:49:34Z)
• On the Multi-turn Instruction Following for Conversational Web Agents [83.51251174629084]
  本稿では,ユーザと環境の両方で複数回にまたがる高度なインタラクションを必要とする,対話型Webナビゲーションの新たなタスクを紹介する。 本稿では,メモリ利用と自己回帰技術を用いた自己反射型メモリ拡張計画(Self-MAP)を提案する。
  論文  参考訳（メタデータ） (2024-02-23T02:18:12Z)
• Large Language User Interfaces: Voice Interactive User Interfaces powered by LLMs [5.06113628525842]
  ユーザとユーザインターフェース(UI)の仲介として機能するフレームワークを提案する。 アノテーションの形でUIコンポーネントのテキストセマンティックマッピングに立つシステムを採用している。 我々のエンジンは、最も適切なアプリケーションを分類し、関連するパラメータを抽出し、その後、ユーザの期待するアクションの正確な予測を実行することができる。
  論文  参考訳（メタデータ） (2024-02-07T21:08:49Z)
• Beyond ChatBots: ExploreLLM for Structured Thoughts and Personalized Model Responses [35.74453152447319]
  ExploreLLMは、ユーザが思考を構造化し、さまざまな選択肢を探索し、選択とレコメンデーションをナビゲートし、よりパーソナライズされたレスポンスを生成するために、より簡単にモデルをステアリングすることを可能にする。 本研究では,探索的・計画的なタスクにExploreLLMを使うことが有用であることを示す。 この研究は、ExploreLLMで高レベルな好みで応答をより簡単にパーソナライズできることを示唆している。
  論文  参考訳（メタデータ） (2023-12-01T18:31:28Z)
• Conversational Health Agents: A Personalized LLM-Powered Agent Framework [1.4597673707346281]
  会話型健康エージェント(英: Conversational Health Agents、CHA)は、援助や診断などの医療サービスを提供する対話型システムである。 我々は,対話エージェントがユーザの医療クエリに対してパーソナライズされた応答を生成するためのオープンソースのフレームワークであるopenCHAを提案する。 openCHAには、外部ソースから情報を集めるためのアクションを計画し実行するためのオーケストレータが含まれている。
  論文  参考訳（メタデータ） (2023-10-03T18:54:10Z)
• Sensecape: Enabling Multilevel Exploration and Sensemaking with Large Language Models [12.141818433363628]
  Sensecapeは、大規模な言語モデルで複雑な情報タスクをサポートするために設計された対話型システムである。 Sensecapeはユーザーに対して、より多くのトピックを探索し、知識を階層的に構造化することを可能にする。
  論文  参考訳（メタデータ） (2023-05-19T07:31:59Z)
• Low-code LLM: Graphical User Interface over Large Language Models [115.08718239772107]
  本稿では,人間-LLMインタラクションフレームワークであるLow-code LLMを紹介する。 より制御可能で安定した応答を実現するために、6種類のシンプルなローコードビジュアルプログラミングインタラクションを組み込んでいる。 ユーザフレンドリなインタラクション,制御可能な生成,広い適用性という,低コード LLM の3つの利点を強調した。
  論文  参考訳（メタデータ） (2023-04-17T09:27:40Z)
• Check Your Facts and Try Again: Improving Large Language Models with External Knowledge and Automated Feedback [127.75419038610455]
  大規模言語モデル(LLM)は、ダウンストリームタスクの多くに対して、人間のような、流動的な応答を生成することができる。 本稿では,プラグ・アンド・プレイモジュールのセットでブラックボックスのLSMを増強するLSM-Augmenterシステムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T18:48:43Z)

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。