論文の概要: Generating Proto-Personas through Prompt Engineering: A Case Study on Efficiency, Effectiveness and Empathy
- arxiv url: http://arxiv.org/abs/2507.08594v1
- Date: Fri, 11 Jul 2025 13:42:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-14 18:03:54.37458
- Title: Generating Proto-Personas through Prompt Engineering: A Case Study on Efficiency, Effectiveness and Empathy
- Title（参考訳）: プロトペルソナのプロンプトエンジニアリングによる生成 : 効率性,有効性,共感を事例として
- Authors: Fernando Ayach, Vitor Lameirão, Raul Leão, Jerfferson Felizardo, Rafael Sobrinho, Vanessa Borges, Patrícia Matsubara, Awdren Fontão,
- Abstract要約: 我々は,ジェネレーティブAI(GenAI)の支援のもと,プロトペルソナを生成するための素早い工学的アプローチを提案し,実証的に検討する。
我々のゴールは、効率性、有効性、ユーザ受け入れ、そして生成されたペルソナによって引き起こされる共感の観点からアプローチを評価することである。
- 参考スコア（独自算出の注目度）: 34.82692226532414
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Proto-personas are commonly used during early-stage Product Discovery, such as Lean Inception, to guide product definition and stakeholder alignment. However, the manual creation of proto-personas is often time-consuming, cognitively demanding, and prone to bias. In this paper, we propose and empirically investigate a prompt engineering-based approach to generate proto-personas with the support of Generative AI (GenAI). Our goal is to evaluate the approach in terms of efficiency, effectiveness, user acceptance, and the empathy elicited by the generated personas. We conducted a case study with 19 participants embedded in a real Lean Inception, employing a qualitative and quantitative methods design. The results reveal the approach's efficiency by reducing time and effort and improving the quality and reusability of personas in later discovery phases, such as Minimum Viable Product (MVP) scoping and feature refinement. While acceptance was generally high, especially regarding perceived usefulness and ease of use, participants noted limitations related to generalization and domain specificity. Furthermore, although cognitive empathy was strongly supported, affective and behavioral empathy varied significantly across participants. These results contribute novel empirical evidence on how GenAI can be effectively integrated into software Product Discovery practices, while also identifying key challenges to be addressed in future iterations of such hybrid design processes.
- Abstract（参考訳）: プロトペルソナは、リーンインセプション(Lean Inception)のようなアーリーステージのプロダクトディスカバリにおいて、プロダクト定義とステークホルダのアライメントをガイドするために一般的に使用される。
しかしながら、プロトペルソナのマニュアル作成は、しばしば時間がかかり、認知的に要求され、バイアスを起こしやすい。
本稿では,ジェネレーティブAI(GenAI)をサポートするプロトペルソナを生成するための,迅速な工学的アプローチを提案し,実証的に検討する。
我々のゴールは、効率性、有効性、ユーザ受け入れ、そして生成されたペルソナによって引き起こされる共感の観点からアプローチを評価することである。
私たちは19人の参加者を実際のリーンインセプションに組み込んだケーススタディを行い、質的で定量的なメソッド設計を採用しました。
その結果、時間と労力を削減し、MVP(Minimum Viable Product)スコーピングや機能改善など、後続の発見フェーズにおけるペルソナの品質と再利用性を改善することで、アプローチの効率性を明らかにすることができた。
受諾率は一般に高く,特に有用性や使いやすさの認知に関しては,一般化や領域特異性に関連する限界が指摘された。
さらに、認知的共感は強く支持されたが、感情的、行動的共感は参加者によって大きく異なる。
これらの結果は、どのようにGenAIをソフトウェアProduct Discoveryプラクティスに効果的に統合できるかという、新たな実証的な証拠を提供し、また、このようなハイブリッド設計プロセスの今後のイテレーションで対処すべき重要な課題を特定します。
関連論文リスト
- Two Experts Are All You Need for Steering Thinking: Reinforcing Cognitive Effort in MoE Reasoning Models Without Additional Training [86.70255651945602]
我々はReinforcecing Cognitive Experts(RICE)と呼ばれる新しい推論時ステアリング手法を導入する。
RICEは、追加のトレーニングや複雑化なしに推論のパフォーマンスを改善することを目的としている。
先行する MoE ベースの LRM を用いた経験的評価は、推論精度、認知効率、ドメイン間の一般化において顕著で一貫した改善を示す。
論文 参考訳（メタデータ） (2025-05-20T17:59:16Z) - Advancing Embodied Agent Security: From Safety Benchmarks to Input Moderation [52.83870601473094]
エンボディード・エージェントは、複数のドメインにまたがって大きな潜在能力を示す。
既存の研究は主に、一般的な大言語モデルのセキュリティに重点を置いている。
本稿では, エンボディエージェントの保護を目的とした新しい入力モデレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-22T08:34:35Z) - Dancing with Critiques: Enhancing LLM Reasoning with Stepwise Natural Language Self-Critique [66.94905631175209]
我々は、段階的に自然言語の自己批判(PANEL)を行う新しい推論時間スケーリング手法を提案する。
ステップレベルの探索プロセスのガイドとして、自己生成の自然言語批判をフィードバックとして採用している。
このアプローチは、タスク固有の検証と関連するトレーニングオーバーヘッドの必要性を回避します。
論文 参考訳（メタデータ） (2025-03-21T17:59:55Z) - KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [73.34893326181046]
本稿では,効率的なモデル適応によりRAGシステムを強化する自己教師型フレームワークKBAlignを提案する。
私たちのキーとなる洞察は、2つの革新的なメカニズムを通じて、モデルの本質的な能力を知識の整合性に活用することです。
KBAlign は GPT-4 による適応によって得られる性能向上の90%を達成できることを示した。
論文 参考訳（メタデータ） (2024-11-22T08:21:03Z) - "Give Me an Example Like This": Episodic Active Reinforcement Learning from Demonstrations [3.637365301757111]
専門家デモ(RLED)からの強化学習(Reinforcement Learning from Expert Demonstrations)のような手法は、学習プロセス中のエージェント探索を促進するために外部の専門家によるデモンストレーションを導入します。
学習にとって最も有益な人間のデモのベストセットをどうやって選ぶかが、大きな関心事になります。
本稿では,学習エージェントが軌跡に基づく特徴空間において,専門家による実演を最適化したクエリを生成できるアルゴリズムEARLYを提案する。
論文 参考訳（メタデータ） (2024-06-05T08:52:21Z) - Developing and Evaluating a Design Method for Positive Artificial Intelligence [0.5461938536945723]
AI for Good"の開発は、複雑な人間の価値とシステムの整合性に関する課題を提起する。
本稿では,このギャップに対処するPositive AI設計手法を提示し,評価する。
この方法は、幸福な願望を具体的な実践に翻訳する人間中心のプロセスを提供する。
論文 参考訳（メタデータ） (2024-02-02T15:31:08Z) - Evidential Active Recognition: Intelligent and Prudent Open-World
Embodied Perception [21.639429724987902]
アクティブな認識により、ロボットは新しい観察を探索し、望ましくない視界を回避しながらより多くの情報を得ることができる。
ほとんどの認識モジュールはクローズドワールドの仮定の下で開発されており、現在の観測における対象物体の欠如のような予期せぬ入力を処理できない。
本稿では,有効認識を逐次的エビデンス収集プロセスとして扱うことを提案する。
論文 参考訳（メタデータ） (2023-11-23T03:51:46Z) - Generative Input: Towards Next-Generation Input Methods Paradigm [49.98958865125018]
我々はGeneInputという新しい生成入力パラダイムを提案する。
すべての入力シナリオと他のインテリジェントな補助入力関数を処理するためにプロンプトを使用し、ユーザーフィードバックでモデルを最適化し、パーソナライズされた結果を提供する。
その結果,FK2C(Full-mode Key-sequence to Characters)タスクにおいて,最先端のパフォーマンスを初めて達成したことを示す。
論文 参考訳（メタデータ） (2023-11-02T12:01:29Z) - ChatEval: Towards Better LLM-based Evaluators through Multi-Agent Debate [57.71597869337909]
われわれはChatEvalと呼ばれるマルチエージェントの審判チームを構築し、異なるモデルから生成された応答の品質を自律的に議論し評価する。
分析の結果,ChatEvalは単なるテキストスコアリングを超越し,信頼性評価のための人間模倣評価プロセスを提供することがわかった。
論文 参考訳（メタデータ） (2023-08-14T15:13:04Z) - Delayed Reinforcement Learning by Imitation [31.932677462399468]
遅延しない実演から遅延環境での動作方法を学ぶ新しいアルゴリズムを提案する。
各種タスクにおいて,DIDAは顕著なサンプル効率で高い性能が得られることを示す。
論文 参考訳（メタデータ） (2022-05-11T15:27:33Z) - Deciding Fast and Slow: The Role of Cognitive Biases in AI-assisted
Decision-making [46.625616262738404]
我々は、認知科学の分野からの知識を用いて、人間とAIの協調的な意思決定設定における認知バイアスを考慮します。
私たちは、人間とAIのコラボレーションでよく見られるバイアスであるバイアスのアンカーに特に焦点を当てています。
論文 参考訳（メタデータ） (2020-10-15T22:25:41Z)
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。