論文の概要: Which books do I like?
- arxiv url: http://arxiv.org/abs/2503.03300v1
- Date: Wed, 05 Mar 2025 09:31:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-06 15:51:43.864530
- Title: Which books do I like?
- Title（参考訳）: どの本が好きですか。
- Authors: Hannes Rosenbusch, Erdem Ozan Meral,
- Abstract要約: ISAACはフィクション読者が文学的好みを認識し、楽しい本を見つけるのを支援するパイプラインである。
ISAACは4つのステップで構成されている: ユーザが書籍のレーティングを提供し、AIエージェントが提供された書籍を調査、注釈付けし、本を楽しむパターンがユーザによってレビューされ、AIエージェントは新しい本を推薦する。
その結果,既存の手法よりもISAACが優れていることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Finding enjoyable fiction books can be challenging, partly because stories are multi-faceted and one's own literary taste might be difficult to ascertain. Here, we introduce the ISAAC method (Introspection-Support, AI-Annotation, and Curation), a pipeline which supports fiction readers in gaining awareness of their literary preferences and finding enjoyable books. ISAAC consists of four steps: a user supplies book ratings, an AI agent researches and annotates the provided books, patterns in book enjoyment are reviewed by the user, and the AI agent recommends new books. In this proof-of-concept self-study, the authors test whether ISAAC can highlight idiosyncratic patterns in their book enjoyment, spark a deeper reflection about their literary tastes, and make accurate, personalized recommendations of enjoyable books and underexplored literary niches. Results highlight substantial advantages of ISAAC over existing methods such as an integration of automation and intuition, accurate and customizable annotations, and explainable book recommendations. Observed disadvantages are that ISAAC's outputs can elicit false self-narratives (if statistical patterns are taken at face value), that books cannot be annotated if their online documentation is lacking, and that people who are new to reading have to rely on assumed book ratings or movie ratings to power the ISAAC pipeline. We discuss additional opportunities of ISAAC-style book annotations for the study of literary trends, and the scientific classification of books and readers.
- Abstract（参考訳）: 楽しいフィクション本を見つけることは、物語が多面的であり、自分の文学的趣味を確かめるのが難しいこともあって、難しい場合がある。
本稿では、フィクション読者が文学的嗜好を認識し、楽しい本を見つけるためのパイプラインであるISAAC(Introspection-Support, AI-Annotation, Curation)を紹介する。
ISAACは4つのステップで構成されている: ユーザが書籍のレーティングを提供し、AIエージェントが提供された書籍を調査、注釈付けし、本を楽しむパターンがユーザによってレビューされ、AIエージェントは新しい本を推薦する。
この概念の自己学習の実証では、ISAACが本を楽しませるかどうかを検証し、文学的嗜好を深く反映し、面白そうな本や過度に探求された文学的ニッチの正確かつパーソナライズされたレコメンデーションを提示する。
結果は、自動化や直観の統合、正確でカスタマイズ可能なアノテーション、説明可能な書籍レコメンデーションなど、既存の方法に対するISAACのかなりのアドバンテージを浮き彫りにしている。
観測された欠点は、ISAACのアウトプットが偽の自己物語を引き出すことができること(もし統計的パターンが顔の値で取られた場合)、オンライン文書が不足している場合は本に注釈を付けることができないこと、そしてISAACパイプラインを動かすためには、本を読んだばかりの人は想定された本の評価や映画の評価に頼らなければならないことである。
本稿では、文学的傾向研究のためのISAACスタイルの本注記のさらなる機会と、書籍や読者の科学的分類について論じる。
関連論文リスト
- Are We There Yet? Revealing the Risks of Utilizing Large Language Models in Scholarly Peer Review [66.73247554182376]
大規模言語モデル(LLM)がピアレビューに統合された。
未確認のLLMの採用は、ピアレビューシステムの完全性に重大なリスクをもたらす。
5%のレビューを操作すれば、論文の12%が上位30%のランキングでその地位を失う可能性がある。
論文 参考訳（メタデータ） (2024-12-02T16:55:03Z) - Introduction to AI Safety, Ethics, and Society [28.592959509694957]
この本は、AIリスクを理解するための包括的なアプローチを提供することを目的としている。
この本は様々な背景から読者がアクセスできるように設計されている。
コンテンツはスリムでモジュラーなので、どの章を読むかを選べる。
論文 参考訳（メタデータ） (2024-11-01T21:21:49Z) - LFED: A Literary Fiction Evaluation Dataset for Large Language Models [58.85989777743013]
元々は中国語で書かれたか、中国語に翻訳された95の文学小説を収集し、数世紀にわたって幅広い話題を扱っている。
質問分類を8つのカテゴリーで定義し,1,304の質問の作成を導く。
我々は、小説の特定の属性(小説の種類、文字番号、出版年など)がLLMのパフォーマンスに与える影響を詳細に分析する。
論文 参考訳（メタデータ） (2024-05-16T15:02:24Z) - Choose Your Own Adventure: Interactive E-Books to Improve Word Knowledge
and Comprehension Skills [0.0]
学生は、単語学習と理解的なモニタリング戦略を教える2つの電子書籍を読む。
学生は、単語学習や対象とするハリケーンの概念において、大きな進歩を見せた。
論文 参考訳（メタデータ） (2024-03-04T21:43:59Z) - A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [55.33653554387953]
パターン分析とマシンインテリジェンス(PAMI)は、情報の収集と断片化を目的とした多くの文献レビューにつながっている。
本稿では、PAMI分野におけるこれらの文献レビューの徹底的な分析について述べる。
1)PAMI文献レビューの構造的・統計的特徴は何か,(2)レビューの増大するコーパスを効率的にナビゲートするために研究者が活用できる戦略は何か,(3)AIが作成したレビューの利点と限界は人間によるレビューと比較するとどのようなものか,という3つの主要な研究課題に対処しようとする。
論文 参考訳（メタデータ） (2024-02-20T11:28:50Z) - STUDY: Socially Aware Temporally Causal Decoder Recommender Systems [2.9044543030750716]
本稿では,社会的に意識した時間的カウスアルデコーダsYstemを紹介する。
変圧器デコーダネットワークの1つの前方通過における社会的連結群に対する共同推論を行う。
ディプレクシックな学生や苦手な読者のために,本を推薦する上での学習のメリットを実証する。
論文 参考訳（メタデータ） (2023-06-02T14:47:56Z) - Personality Understanding of Fictional Characters during Book Reading [81.68515671674301]
この問題に対する最初のラベル付きデータセットPersoNetを提示する。
当社の新たなアノテーション戦略では,オリジナル書籍のプロキシとして,オンライン読書アプリからユーザノートを注釈付けします。
実験と人間の研究は、データセットの構築が効率的かつ正確であることを示している。
論文 参考訳（メタデータ） (2023-05-17T12:19:11Z) - Revisiting the relevance of traditional genres: a network analysis of
fiction readers' preferences [0.0]
我々は、ファンタシー、スリラー、文学といった伝統的なフィクションジャンルが読者の好みをいかに反映しているかを考察する。
Goodreadsのユーザデータを使って、2冊の本が強く結びついている本ネットワークを構築します。
論文 参考訳（メタデータ） (2023-03-09T07:31:56Z) - Active Learning for Abstractive Text Summarization [50.79416783266641]
本稿では,抽象テキスト要約におけるアクティブラーニングのための最初の効果的なクエリ戦略を提案する。
ALアノテーションにおける私たちの戦略は、ROUGEと一貫性スコアの点からモデル性能を向上させるのに役立ちます。
論文 参考訳（メタデータ） (2023-01-09T10:33:14Z) - Using Full-Text Content to Characterize and Identify Best Seller Books [0.6442904501384817]
文学作品の観点から、本がベストセラーになるかどうかを予測するという課題を考察する。
従来のアプローチとは違って,書籍の全内容に焦点を合わせ,可視化と分類作業を検討した。
以上の結果から,本文の全内容のみを用いて,精度の高い書籍の成功を予測することは不可能であることが示唆された。
論文 参考訳（メタデータ） (2022-10-05T15:40:25Z) - How to Train Your Agent to Read and Write [52.24605794920856]
研究論文の読み書きは、資格のある研究者が習得すべき最も特権のある能力の1つである。
読者が論文を読み、要約できるようにインテリジェントなエージェントを訓練し、おそらく新しい論文を書くための潜在的な知識の手がかりを発見し、活用できれば、それは魅力的です。
本研究では,入力段落から知識グラフ(KG)を抽出して潜在的な知識を発見できるtextitReader,新規段落を生成するgraph-to-text TextitWriter,およびtextitから構成されるDeep ReAder-Writer(DRAW)ネットワークを提案する。
論文 参考訳（メタデータ） (2021-01-04T12:22:04Z)
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。