論文の概要: CareerPooler: AI-Powered Metaphorical Pool Simulation Improves Experience and Outcomes in Career Exploration
- arxiv url: http://arxiv.org/abs/2509.11461v1
- Date: Sun, 14 Sep 2025 22:33:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-16 17:26:23.094761
- Title: CareerPooler: AI-Powered Metaphorical Pool Simulation Improves Experience and Outcomes in Career Exploration
- Title（参考訳）: CareerPooler:AIによるメタフォリックプールシミュレーションは、キャリア探索の経験と成果を改善する
- Authors: Ziyi Wang, Ziwen Zeng, Yuan Li, Zijian Ding,
- Abstract要約: 本稿では,空間的・物語的相互作用としてキャリア開発をシミュレートするために,プールテーブルのメタファを用いたAIによる生成システムであるCareerPoolerを紹介する。
ユーザはマイルストーン、スキル、ランダムなイベントを表すボールを打ち、ヒント、衝突、リバウンドは不確実性の下で意思決定を具現化する。
我々の研究は、AIによるキャリア探索システムの設計に寄与し、より広範に、視覚的に基盤付けられたアナログ的相互作用によって、生成システムが関与し、満足することができることを示唆している。
- 参考スコア（独自算出の注目度）: 8.872181837838047
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Career exploration is uncertain, requiring decisions with limited information and unpredictable outcomes. While generative AI offers new opportunities for career guidance, most systems rely on linear chat interfaces that produce overly comprehensive and idealized suggestions, overlooking the non-linear and effortful nature of real-world trajectories. We present CareerPooler, a generative AI-powered system that employs a pool-table metaphor to simulate career development as a spatial and narrative interaction. Users strike balls representing milestones, skills, and random events, where hints, collisions, and rebounds embody decision-making under uncertainty. In a within-subjects study with 24 participants, CareerPooler significantly improved engagement, information gain, satisfaction, and career clarity compared to a chatbot baseline. Qualitative findings show that spatial-narrative interaction fosters experience-based learning, resilience through setbacks, and reduced psychological burden. Our findings contribute to the design of AI-assisted career exploration systems and more broadly suggest that visually grounded analogical interactions can make generative systems engaging and satisfying.
- Abstract（参考訳）: キャリアの探究は不確実であり、限られた情報と予測不可能な結果の意思決定を必要とする。
生成AIはキャリアガイダンスのための新しい機会を提供するが、ほとんどのシステムは、現実の軌道の非線形で精巧な性質を見越して、包括的で理想化された提案を生み出す線形チャットインターフェイスに依存している。
本稿では,空間的・物語的相互作用としてキャリア開発をシミュレートするために,プールテーブルのメタファを用いたAIによる生成システムであるCareerPoolerを紹介する。
ユーザはマイルストーン、スキル、ランダムなイベントを表すボールを打ち、ヒント、衝突、リバウンドは不確実性の下で意思決定を具現化する。
参加者24名を対象にした内的調査では、チャットボットのベースラインと比較して、CareerPoolerはエンゲージメント、情報獲得、満足度、キャリアの明確さを著しく改善した。
質的な発見は、空間的ナラティブな相互作用が経験に基づく学習、後退によるレジリエンス、心理的負担の軽減を促進することを示している。
我々の研究は、AIによるキャリア探索システムの設計に寄与し、より広範に、視覚的に基盤付けられたアナログ的相互作用によって、生成システムが関与し、満足することができることを示唆している。
関連論文リスト
- Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - GenAI for Social Work Field Education: Client Simulation with Real-Time Feedback [4.929264828877742]
SWITCHは、現実的なクライアントシミュレーション、リアルタイムカウンセリングスキルの分類、Motivational Interviewing (MI)プログレッシブワークフローを統合する。
クライアントをモデル化するために、SWITCHは、フィールド(例えば、背景、信念)と動的フィールド(例えば、感情、自動思考、開放性)からなる認知的基盤を持つプロファイルを使用する。
論文 参考訳（メタデータ） (2026-01-26T14:26:54Z) - Dyna-Mind: Learning to Simulate from Experience for Better AI Agents [62.21219817256246]
私たちは、現在のAIエージェントは、行動する前に、別の未来を精神的にシミュレートする能力である「悪意ある試行錯誤」を必要としていると論じます。
我々は、(V)LMエージェントに対して、そのようなシミュレーションを推論に組み込むように明示的に教える2段階のトレーニングフレームワークであるDyna-Mindを紹介した。
論文 参考訳（メタデータ） (2025-10-10T17:30:18Z) - The Missing Reward: Active Inference in the Era of Experience [1.9761774213809036]
アクティブ推論(AIF)は、自律型AIエージェントを開発する上で重要な基盤を提供する。
AIFは、自由エネルギーを最小化するために、外部の報酬信号を本質的な駆動に置き換えることができる。
この合成は、計算と物理の両方の制約に固執しながら自律的に開発できるAIシステムへの魅力的な道を提供する。
論文 参考訳（メタデータ） (2025-08-07T17:57:12Z) - From Seeing to Experiencing: Scaling Navigation Foundation Models with Reinforcement Learning [59.88543114325153]
本稿では,航法基礎モデルの強化学習能力を高めるためのSeeing-to-Experiencingフレームワークを提案する。
S2Eは、ビデオの事前トレーニングとRLによるポストトレーニングの長所を組み合わせたものだ。
実世界のシーンを3DGSで再現した3D画像に基づく総合的なエンドツーエンド評価ベンチマークであるNavBench-GSを構築した。
論文 参考訳（メタデータ） (2025-07-29T17:26:10Z) - The Sample Complexity of Online Strategic Decision Making with Information Asymmetry and Knowledge Transportability [93.11220429350278]
情報非対称性はマルチエージェントシステムの普及した特徴である。
本論文は,オンライン学習における基本的課題について考察する。知識伝達を必要とする場合でも,共同設立者について学ぶために,非I.d.アクションを適用できるのか?
本稿では,情報非対称性下でのシステム力学を正確に同定し,強化学習における知識伝達の課題を効果的にナビゲートするために,サンプル効率のよいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-06-11T17:06:57Z) - Training a Generally Curious Agent [86.84089201249104]
Paprikaは、言語モデルが一般的な意思決定機能を開発することを可能にする微調整のアプローチである。
Paprika氏は、より勾配の更新をすることなく、コンテキスト内の環境フィードバックに基づいて、新しいタスクで彼らの振る舞いを探索し、適応するようにモデルに教えている。
結果は、シーケンシャルな意思決定問題を自律的に解決できるAIシステムへの有望な道のりを示唆している。
論文 参考訳（メタデータ） (2025-02-24T18:56:58Z) - Selective Exploration and Information Gathering in Search and Rescue Using Hierarchical Learning Guided by Natural Language Input [5.522800137785975]
本稿では,大規模言語モデル(LLM)と階層的強化学習(HRL)フレームワークを連携させるシステムを提案する。
提案システムは,人間の利害関係者からの言語入力を実用的なRLインサイトへ翻訳し,検索戦略を調整するように設計されている。
LLMによる人為的情報の利用とHRLによるタスク実行の構造化により、長い地平線とスパース報酬を特徴とする環境におけるエージェントの学習効率と意思決定プロセスを大幅に改善する。
論文 参考訳（メタデータ） (2024-09-20T12:27:47Z) - Social Life Simulation for Non-Cognitive Skills Learning [7.730401608473805]
大型言語モデル(LLM)によって実現された対話型プラットフォームであるSimulife++を紹介する。
このシステムでは、ユーザーは主人公として行動し、1つまたは複数のAIベースのキャラクターをさまざまな社会的シナリオで作り出すことができる。
特に,人間-AIインタラクションを,傍観者として行動するSage Agentを含む人間-AI-AIコラボレーションに拡張した。
論文 参考訳（メタデータ） (2024-05-01T01:45:50Z) - Agent AI: Surveying the Horizons of Multimodal Interaction [83.18367129924997]
エージェントAI(Agent AI)とは、視覚刺激や言語入力、その他の環境データを知覚できる対話型システムである。
我々は,バーチャルリアリティやシミュレートされたシーンを容易に作成し,仮想環境内に具体化されたエージェントと対話できる未来を構想する。
論文 参考訳（メタデータ） (2024-01-07T19:11:18Z) - Feature Interaction Aware Automated Data Representation Transformation [27.26916497306978]
我々は,マルコフ決定過程をカスケードした階層的強化学習構造を開発し,特徴選択と操作選択を自動化する。
我々は、選択された特徴間の相互作用強度に基づいてエージェントに報酬を与える。その結果、人間の意思決定をエミュレートする特徴空間をインテリジェントかつ効率的に探索する。
論文 参考訳（メタデータ） (2023-09-29T06:48:16Z)
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。