論文の概要: PromptPilot: Improving Human-AI Collaboration Through LLM-Enhanced Prompt Engineering

• arxiv url: http://arxiv.org/abs/2510.00555v1
• Date: Wed, 01 Oct 2025 06:14:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.415048
• Title: PromptPilot: Improving Human-AI Collaboration Through LLM-Enhanced Prompt Engineering
• Title（参考訳）: PromptPilot: LLMによるPrompt Engineeringによる人間とAIのコラボレーションの改善
• Authors: Niklas Gutheil, Valentin Mayer, Leopold Müller, Jörg Rommelt, Niklas Kühl,
• Abstract要約: PromptPilotは、4つの実験的に導出された設計目標を基盤とした対話型プロンプトアシスタントである。 80名の被験者によるランダム化制御実験を行い、3つの現実的作業関連書記タスクを完了した。
• 参考スコア（独自算出の注目度）: 4.346377939583986
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Effective prompt engineering is critical to realizing the promised productivity gains of large language models (LLMs) in knowledge-intensive tasks. Yet, many users struggle to craft prompts that yield high-quality outputs, limiting the practical benefits of LLMs. Existing approaches, such as prompt handbooks or automated optimization pipelines, either require substantial effort, expert knowledge, or lack interactive guidance. To address this gap, we design and evaluate PromptPilot, an interactive prompting assistant grounded in four empirically derived design objectives for LLM-enhanced prompt engineering. We conducted a randomized controlled experiment with 80 participants completing three realistic, work-related writing tasks. Participants supported by PromptPilot achieved significantly higher performance (median: 78.3 vs. 61.7; p = .045, d = 0.56), and reported enhanced efficiency, ease-of-use, and autonomy during interaction. These findings empirically validate the effectiveness of our proposed design objectives, establishing LLM-enhanced prompt engineering as a viable technique for improving human-AI collaboration.
• Abstract（参考訳）: 知識集約型タスクにおいて,大規模言語モデル(LLM)が期待する生産性向上を実現するためには,効果的なプロンプトエンジニアリングが不可欠である。 しかし、多くのユーザは高品質なアウトプットを生み出すプロンプトの作成に苦労し、LCMの実用的メリットを制限している。 プロンプトハンドブックや自動最適化パイプラインといった既存のアプローチでは、相当な努力、専門知識、対話的なガイダンスの欠如が必要になる。 このギャップに対処するために,LLM強化プロンプトエンジニアリングのための4つの実験的設計目標を基盤とした対話型プロンプトアシスタントであるPromptPilotの設計と評価を行った。 80名の被験者によるランダム化制御実験を行い、3つの現実的作業関連書記タスクを完了した。 PromptPilotによって支援された参加者は、パフォーマンスが著しく向上し(中間値:78.3 vs. 61.7; p = .045, d = 0.56)、相互作用中の効率の向上、使いやすさ、自律性を報告した。 これらの結果は,提案する設計目標の有効性を実証的に検証し,人間とAIのコラボレーションを改善するための有効な技術として,LLMを拡張したプロンプトエンジニアリングを確立した。

関連論文リスト

• Improving LLM Agent Planning with In-Context Learning via Atomic Fact Augmentation and Lookahead Search [48.348209577994865]
  大規模言語モデル(LLM)はますます有能になるが、複雑で対話的な環境で効果的に機能するためには、重要なガイダンスや広範な相互作用履歴を必要とすることが多い。 テキスト内学習による計画能力を高める新しいLLMエージェントフレームワークを提案する。 我々のエージェントは、その相互作用軌跡からタスククリティカルな原子事実'を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2025-06-10T18:36:31Z)
• Exploring Prompt Patterns in AI-Assisted Code Generation: Towards Faster and More Effective Developer-AI Collaboration [3.1861081539404137]
  本稿では,AI支援コード生成に必要となるインタラクション数を最小化するために,構造化されたプロンプトパターンの適用について検討する。 我々は,開発者とAI間の往復通信を減らすことの有効性を評価するために,異なる7つのプロンプトパターンを分析した。
  論文  参考訳（メタデータ） (2025-06-02T12:43:08Z)
• Prompt Engineering and the Effectiveness of Large Language Models in Enhancing Human Productivity [0.0]
  本稿では,ユーザの構造と明快さが大規模言語モデル(LLM)の有効性と生産性に与える影響について考察する。 その結果, 明確で構造化された, コンテキスト対応のユーザに対して, タスク効率の向上と, より良い結果の報告を促すことが示唆された。
  論文  参考訳（メタデータ） (2025-05-10T18:27:03Z)
• TeamLoRA: Boosting Low-Rank Adaptation with Expert Collaboration and Competition [61.91764883512776]
  我々は,専門家のためのコラボレーション・コンペティション・モジュールからなる,革新的なPEFT手法であるTeamLoRAを紹介する。 そうすることで、TeamLoRAは専門家を"チーム"として内部のコラボレーションや競争に結び付け、マルチタスク学習のためのより高速で正確なPEFTパラダイムを可能にします。
  論文  参考訳（メタデータ） (2024-08-19T09:58:53Z)
• Effects of a Prompt Engineering Intervention on Undergraduate Students' AI Self-Efficacy, AI Knowledge and Prompt Engineering Ability: A Mixed Methods Study [36.48421439947282]
  本研究は,香港の大学において,迅速な工学的介入を設計・実施した。 学生のAI自己効力、AI知識、そして効果的なプロンプト作成能力について検討した。
  論文  参考訳（メタデータ） (2024-07-30T15:05:24Z)
• WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
  大型言語モデル(LLM)は人間のような知性を模倣することができる。 WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-07T07:15:49Z)
• Efficient Prompting Methods for Large Language Models: A Survey [50.82812214830023]
  効率的なプロンプティング手法は幅広い注目を集めている。 本稿では,異なるプロンプト成分に対する自動プロンプトエンジニアリングと連続空間および離散空間におけるプロンプト圧縮について論じる。
  論文  参考訳（メタデータ） (2024-04-01T12:19:08Z)
• Mastering Robot Manipulation with Multimodal Prompts through Pretraining and Multi-task Fine-tuning [49.92517970237088]
  我々はマルチモーダルなプロンプトを理解するためにロボットを訓練する問題に取り組む。 このようなタスクは、視覚と言語信号の相互接続と相補性を理解するロボットの能力にとって大きな課題となる。 マルチモーダルプロンプトを用いてロボット操作を行うためのポリシーを学習する効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-14T22:24:58Z)
• Improving Knowledge Extraction from LLMs for Task Learning through Agent Analysis [4.055489363682198]
  大規模言語モデル(LLM)は、タスク学習の知識源として大きな可能性を秘めている。 プロンプト工学は、LLMから知識を引き出すのに有効であることが示されているが、同時に、新しいタスクを具現化したエージェント学習のための、適切な、状況に根ざした知識を得るには不十分である。 本稿では,認知エージェントアプローチであるSTARSについて述べる。これは,迅速なエンジニアリングを拡張し,その制限を緩和し,エージェントがネイティブ言語能力,具体化,環境,ユーザ嗜好に適合する新たなタスク知識を取得できるようにする。
  論文  参考訳（メタデータ） (2023-06-11T20:50:14Z)

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。