論文の概要: Dynamic Prompt Middleware: Contextual Prompt Refinement Controls for Comprehension Tasks

• arxiv url: http://arxiv.org/abs/2412.02357v1
• Date: Tue, 03 Dec 2024 10:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:43:01.670927
• Title: Dynamic Prompt Middleware: Contextual Prompt Refinement Controls for Comprehension Tasks
• Title（参考訳）: 動的プロンプトミドルウエア:理解タスクのための文脈的プロンプトリファインメント制御
• Authors: Ian Drosos, Jack Williams, Advait Sarkar, Nicholas Wilson,
• Abstract要約: 本研究では,理解タスクにおけるAIによる説明を制御するためのユーザニーズについて検討する。 動的PRC(Dynamic Prompt Refinement Control)と静的PRC(Static Prompt Refinement Control)の2つの迅速なアプローチを実装した。 我々は、これらのアプローチがAI応答のユーザ制御に与える影響を評価し、より良い説明を行う。
• 参考スコア（独自算出の注目度）: 15.808343159772066
• License:
• Abstract: Effective prompting of generative AI is challenging for many users, particularly in expressing context for comprehension tasks such as explaining spreadsheet formulas, Python code, and text passages. Prompt middleware aims to address this barrier by assisting in prompt construction, but barriers remain for users in expressing adequate control so that they can receive AI-responses that match their preferences. We conduct a formative survey (n=38) investigating user needs for control over AI-generated explanations in comprehension tasks, which uncovers a trade-off between standardized but predictable support for prompting, and adaptive but unpredictable support tailored to the user and task. To explore this trade-off, we implement two prompt middleware approaches: Dynamic Prompt Refinement Control (Dynamic PRC) and Static Prompt Refinement Control (Static PRC). The Dynamic PRC approach generates context-specific UI elements that provide prompt refinements based on the user's prompt and user needs from the AI, while the Static PRC approach offers a preset list of generally applicable refinements. We evaluate these two approaches with a controlled user study (n=16) to assess the impact of these approaches on user control of AI responses for crafting better explanations. Results show a preference for the Dynamic PRC approach as it afforded more control, lowered barriers to providing context, and encouraged exploration and reflection of the tasks, but that reasoning about the effects of different generated controls on the final output remains challenging. Drawing on participant feedback, we discuss design implications for future Dynamic PRC systems that enhance user control of AI responses. Our findings suggest that dynamic prompt middleware can improve the user experience of generative AI workflows by affording greater control and guide users to a better AI response.
• Abstract（参考訳）: 生成AIの効果的なプロンプトは多くのユーザにとって、特にスプレッドシート公式やPythonコード、テキストパスの説明など、理解されたタスクのコンテキストを表現するのが難しい。 Promptミドルウェアは、迅速な構築を支援することで、この障壁に対処することを目的としている。 ユーザとタスクに適した,標準化された,予測可能なサポートと適応性のある,予測不可能なサポートとのトレードオフを明らかにする,理解タスクにおけるAI生成の説明を制御するためのユーザニーズを調査する(n=38)。 このトレードオフを探るため,ダイナミック・プロンプト・リファインメント・コントロール(Dynamic PRC)と静的・プロンプト・リファインメント・コントロール(Static PRC)の2つの迅速なミドルウェア・アプローチを実装した。 Dynamic PRCアプローチは、ユーザのプロンプトとAIからのユーザニーズに基づいて、迅速な改善を提供するコンテキスト固有のUI要素を生成する一方、Static PRCアプローチは、一般的に適用可能な改善の事前セットリストを提供する。 我々は、これらの2つのアプローチを制御されたユーザスタディ(n=16)で評価し、これらのアプローチがAI応答のユーザ制御に与える影響を評価し、より良い説明を作成する。 結果は、動的PRCアプローチがより制御し、コンテキストを提供するための障壁を減らし、タスクの探索とリフレクションを奨励する一方で、最終的なアウトプットに対する異なる生成されたコントロールの影響についての推論は依然として困難であることを示している。 参加者からのフィードバックに基づいて、AI応答のユーザ制御を強化する将来的な動的PRCシステムの設計について論じる。 我々の知見は、動的プロンプトミドルウェアは、より制御力を高め、より良いAI応答にユーザーを導くことによって、生成AIワークフローのユーザエクスペリエンスを向上させることができることを示唆している。

関連論文リスト

• Collaborative Instance Navigation: Leveraging Agent Self-Dialogue to Minimize User Input [54.81155589931697]
  我々は,ナビゲーション中の動的エージェントと人間との相互作用を考慮したCoIN(Collaborative Instance Navigation)を提案する。 CoINに対処するために,新しいエージェント・ユーザ・インタラクションとUncerTainty Awareness (AIUTA)を提案する。 AIUTAは、最先端のメソッドに対するナビゲーションにおける競合的なパフォーマンスを実現し、ユーザの入力を処理する際の柔軟性を示している。
  論文  参考訳（メタデータ） (2024-12-02T08:16:38Z)
• Towards Empathetic Conversational Recommender Systems [77.53167131692]
  本稿では,共感型会話レコメンデータ(ECR)フレームワークを提案する。 ECRには、感情対応アイテムレコメンデーションと感情対応応答生成という、2つの主要なモジュールが含まれている。 ReDialデータセットの実験は、推奨精度を高め、ユーザの満足度を向上させる上で、我々のフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2024-08-30T15:43:07Z)
• 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)
• Dynamic Explanation Emphasis in Human-XAI Interaction with Communication Robot [2.6396287656676725]
  DynEmphは、XAI生成した説明を物理的表現で強調する場所を決定するためのコミュニケーションロボットの方法である。 特定のポイントをユーザに強調する効果を予測し、予測されたユーザ決定とAIが提案する決定との違いを最小化することを目指している。
  論文  参考訳（メタデータ） (2024-03-21T16:50:12Z)
• Dynamic Contexts for Generating Suggestion Questions in RAG Based Conversational Systems [0.0]
  本研究の目的は,提案問題生成器の開発によってギャップを埋めることである。 提案する質問を生成するために,提案手法は動的コンテキストを活用する。 動的コンテキストアプローチは、他のプロンプトアプローチと比較して、より優れた提案質問を生成することができることを示す。
  論文  参考訳（メタデータ） (2024-03-18T02:01:58Z)
• Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents [110.25679611755962]
  現在の言語モデル駆動エージェントは、しばしば効果的なユーザ参加のメカニズムを欠いている。 Intention-in-Interaction (IN3) は明示的なクエリを通してユーザの暗黙の意図を検査するための新しいベンチマークである。 私たちは、タスクの曖昧さを積極的に評価し、ユーザの意図を問う強力なモデルであるMistral-Interactを経験的に訓練し、それらを実行可能な目標へと洗練させます。
  論文  参考訳（メタデータ） (2024-02-14T14:36:30Z)
• To be or not to be? an exploration of continuously controllable prompt engineering [21.915123121438537]
  制御PE(Continuously Controllable Prompt Engineering)を導入し,より微細な調整による効果の促進を実現する。 このアプローチはLoRA(Low-Rank Adaptation)の力を利用して、重み付けを促進する効果を生み出す。 提案手法では, プロンプト蒸留のための特別なデータセットの生成, それらのプロンプトをLoRAモデルに組み込んで, プロンプトの影響を調節するために, LoRAマージ重量を慎重に調整する。 短い応答のプロンプトの生成、拒絶のプロンプト、チェーン・オブ・シント・プロンプトなど、さまざまなプロンプトを制御するための有望なソリューションであることが証明されている。
  論文  参考訳（メタデータ） (2023-11-16T10:55:29Z)
• ASQ-IT: Interactive Explanations for Reinforcement-Learning Agents [7.9603223299524535]
  本稿では,ユーザが興味のある行動の時間的特性を記述したクエリに基づいて,その環境に作用するエージェントのビデオクリップを提示する対話型ツールASQ-ITを提案する。 提案手法は,ASQ-ITのユーザインタフェースのクエリを有限トレース(LTLf)上の線形時間論理の断片にマッピングする形式的手法に基づいており,クエリ処理のアルゴリズムはオートマチック理論に基づいている。
  論文  参考訳（メタデータ） (2023-01-24T11:57:37Z)
• Interacting with Non-Cooperative User: A New Paradigm for Proactive Dialogue Policy [83.61404191470126]
  インタラクティブな環境下でプロアクティブなポリシーを学習できるI-Proという新しいソリューションを提案する。 具体的には,4つの要因からなる学習目標重みを通じてトレードオフを学習する。 実験の結果,I-Proは,有効性と解釈性において,ベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-04-07T14:11:31Z)
• Advances and Challenges in Conversational Recommender Systems: A Survey [133.93908165922804]
  現在の会話レコメンダーシステム(CRS)で使用されるテクニックの体系的なレビューを提供します。 CRS開発の主な課題を5つの方向にまとめます。 これらの研究の方向性は、情報検索(IR)、自然言語処理(NLP)、人間とコンピュータの相互作用(HCI)などの複数の研究分野を含みます。
  論文  参考訳（メタデータ） (2021-01-23T08:53:15Z)

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。