論文の概要: ClearFairy: Capturing Creative Workflows through Decision Structuring, In-Situ Questioning, and Rationale Inference

• arxiv url: http://arxiv.org/abs/2509.14537v1
• Date: Thu, 18 Sep 2025 02:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.023296
• Title: ClearFairy: Capturing Creative Workflows through Decision Structuring, In-Situ Questioning, and Rationale Inference
• Title（参考訳）: ClearFairy: 意思決定構造、その場質問、推論を通じて創造的なワークフローをキャプチャする
• Authors: Kihoon Son, DaEun Choi, Tae Soo Kim, Young-Ho Kim, Sangdoo Yun, Juho Kim,
• Abstract要約: 本稿では,行動・人工物・自己説明の認知的意思決定ステップに推論を関連づけるCLEARフレームワークを提案する。 ClearFairyはUI設計のための思考支援AIアシスタントで、弱い説明を検知し、軽量で明確な質問をし、知識共有の負担を軽減するために、根拠の欠如を推測する。
• 参考スコア（独自算出の注目度）: 59.65947911667229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Capturing professionals' decision-making in creative workflows is essential for reflection, collaboration, and knowledge sharing, yet existing methods often leave rationales incomplete and implicit decisions hidden. To address this, we present CLEAR framework that structures reasoning into cognitive decision steps-linked units of actions, artifacts, and self-explanations that make decisions traceable. Building on this framework, we introduce ClearFairy, a think-aloud AI assistant for UI design that detects weak explanations, asks lightweight clarifying questions, and infers missing rationales to ease the knowledge-sharing burden. In a study with twelve creative professionals, 85% of ClearFairy's inferred rationales were accepted, increasing strong explanations from 14% to over 83% of decision steps without adding cognitive demand. The captured steps also enhanced generative AI agents in Figma, yielding next-action predictions better aligned with professionals and producing more coherent design outcomes. For future research on human knowledge-grounded creative AI agents, we release a dataset of captured 417 decision steps.
• Abstract（参考訳）: プロの意思決定を創造的なワークフローで捉えることは、リフレクション、コラボレーション、知識共有に不可欠だが、既存の手法では、合理性が不完全で暗黙的な決定を隠蔽することが多い。 これを解決するために、我々は、判断をトレース可能な行動、成果物、自己説明の認知的決定ステップに構造化するCLEARフレームワークを提案する。 このフレームワーク上に構築されたClearFairyは、UI設計のための思考支援AIアシスタントで、弱い説明を検知し、軽量で明確な質問をし、知識共有の負担を軽減するために、根拠の欠如を推測する。 12人のクリエイティビティ専門家による調査では、ClearFairyの推論された理論的根拠の85%が受け入れられ、認知的要求を追加することなく、14%から83%以上の意思決定ステップに強い説明が得られた。 捕獲されたステップはまた、FigmaのジェネレーティブAIエージェントを強化し、プロフェッショナルとの整合性を高め、より一貫性のある設計結果を生み出す。 人間の知識を基盤としたクリエイティブAIエージェントに関する将来の研究のために、我々は捕獲された417の意思決定ステップのデータセットをリリースする。

関連論文リスト

• Cognitive Decision Routing in Large Language Models: When to Think Fast, When to Think Slow [0.0]
  大規模言語モデル(LLM)は、迅速で直感的な応答にいつ依存するか決定する上で、より遅く、より意図的な推論を行うという根本的な課題に直面します。 ダニエル・カーネマン(Daniel Kahneman)の二重プロセス理論と人間の認知バイアスに関する洞察に触発され、我々は新しい認知決定ルーティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-17T01:07:58Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• Rational Decision-Making Agent with Internalized Utility Judgment [88.01612847081677]
  大規模言語モデル(LLM)は目覚ましい進歩を示し、従来のNLPアプリケーションを超えて複雑な多段階決定タスクを実行できるエージェントにLLMを開発するための重要な努力を惹きつけている。 本稿では,RadAgentを提案する。このRadAgentは,経験探索とユーティリティ学習を含む反復的なフレームワークを通じて,合理性の発展を促進する。 ToolBenchデータセットの実験結果は、RadAgentがベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-08-24T03:11:45Z)
• Inverse Online Learning: Understanding Non-Stationary and Reactionary Policies [79.60322329952453]
  エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。 一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。 本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。 UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
  論文  参考訳（メタデータ） (2022-03-14T17:40:42Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)

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。