論文の概要: Towards Better Health Conversations: The Benefits of Context-seeking

• arxiv url: http://arxiv.org/abs/2510.18880v1
• Date: Sun, 14 Sep 2025 01:08:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.096513
• Title: Towards Better Health Conversations: The Benefits of Context-seeking
• Title（参考訳）: より良い健康会話を目指して : コンテキスト探索のメリット
• Authors: Rory Sayres, Yuexing Hao, Abbi Ward, Amy Wang, Beverly Freeman, Serena Zhan, Diego Ardila, Jimmy Li, I-Ching Lee, Anna Iurchenko, Siyi Kou, Kartikeya Badola, Jimmy Hu, Bhawesh Kumar, Keith Johnson, Supriya Vijay, Justin Krogue, Avinatan Hassidim, Yossi Matias, Dale R. Webster, Sunny Virmani, Yun Liu, Quang Duong, Mike Schaekermann,
• Abstract要約: 我々は、人々が大きな言語モデル(LLM)とどのように相互作用するかについての洞察を自身の健康問題に対して提示する。 研究は、ある人がボランティアや共有することができない特定の詳細を引き出すために、会話型AIにおける文脈探索の重要性を明らかにした。 我々は、積極的にコンテキストを検索する「Wayfinding AI」を開発した。
• 参考スコア（独自算出の注目度）: 17.329382113242556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Navigating health questions can be daunting in the modern information landscape. Large language models (LLMs) may provide tailored, accessible information, but also risk being inaccurate, biased or misleading. We present insights from 4 mixed-methods studies (total N=163), examining how people interact with LLMs for their own health questions. Qualitative studies revealed the importance of context-seeking in conversational AIs to elicit specific details a person may not volunteer or know to share. Context-seeking by LLMs was valued by participants, even if it meant deferring an answer for several turns. Incorporating these insights, we developed a "Wayfinding AI" to proactively solicit context. In a randomized, blinded study, participants rated the Wayfinding AI as more helpful, relevant, and tailored to their concerns compared to a baseline AI. These results demonstrate the strong impact of proactive context-seeking on conversational dynamics, and suggest design patterns for conversational AI to help navigate health topics.
• Abstract（参考訳）: 健康に関する質問をナビゲートすることは、現代の情報界で厄介なことだ。 大規模言語モデル(LLM)は、カスタマイズされたアクセス可能な情報を提供するが、不正確、偏見、誤解を招くリスクもある。 我々は4つの混合メタドス研究(現在のN=163)の知見を提示し、人々が自身の健康問題に対してどのようにLLMと相互作用するかを考察した。 質的研究は、ある人がボランティアや共有することができない特定の詳細を引き出すために、会話型AIにおける文脈探索の重要性を明らかにした。 LLMによる文脈探索は、たとえそれが複数のターンの解答の延期を意味するとしても、参加者によって評価された。 これらの知見を取り入れて、積極的にコンテキストを要請する“Wayfinding AI”を開発しました。 ランダムで盲目な研究では、参加者はWayfinding AIを、ベースラインのAIと比較して、より有用で関連性があり、自身の懸念に合わせたものだと評価した。 これらの結果は、アクティブなコンテキスト探索が会話のダイナミクスに与える影響を強く示し、健康トピックをナビゲートするための会話AIの設計パターンを提案する。

関連論文リスト

• CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
  我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。 また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
  論文  参考訳（メタデータ） (2025-08-28T06:03:11Z)
• Modeling Human Responses to Multimodal AI Content [10.65875439980452]
  MhAIMデータセットには154,552のオンラインポストが含まれている(うち111,153がAI生成) 私たちの人間による研究は、投稿にテキストとビジュアルの両方が含まれている場合、人々はAIコンテンツを特定するのがより優れていることを示している。 マルチモーダル情報に予測応答を組み込むことにより,ユーザの問い合わせに応答するエージェントシステムであるT-Lensを提案する。
  論文  参考訳（メタデータ） (2025-08-14T15:55:19Z)
• "What's Up, Doc?": Analyzing How Users Seek Health Information in Large-Scale Conversational AI Datasets [7.252397462273507]
  HealthChat-11Kは、25万のユーザメッセージからなる1万1千の現実世界の会話のキュレートされたデータセットである。 我々の分析は、ユーザーが健康情報を求める方法と理由に関する洞察を明らかにする。
  論文  参考訳（メタデータ） (2025-06-26T17:52:18Z)
• What Makes a Good Natural Language Prompt? [72.3282960118995]
  我々は,2022年から2025年にかけて,NLPおよびAIカンファレンスを主導する150以上のプロンプト関連論文を対象としたメタ分析調査を実施している。 本研究では,6次元に分類した21の特性を含む,迅速な品質評価のための特性・人間中心のフレームワークを提案する。 次に、複数プロパティのプロンプト強化を実証的に検討し、単一プロパティのプロンプトが最大の影響を与える場合が多いことを観察する。
  論文  参考訳（メタデータ） (2025-06-07T23:19:27Z)
• Almost AI, Almost Human: The Challenge of Detecting AI-Polished Writing [55.2480439325792]
  本研究では、AI-Polished-Text Evaluationデータセットを用いて、12の最先端AIテキスト検出器を体系的に評価する。 我々の発見によると、検出器は、最小限に洗練されたテキストをAI生成としてフラグ付けし、AIの関与度を区別し、古いモデルや小さなモデルに対するバイアスを示す。
  論文  参考訳（メタデータ） (2025-02-21T18:45:37Z)
• Leveraging Large Language Models for Patient Engagement: The Power of Conversational AI in Digital Health [1.8772687384996551]
  大規模言語モデル(LLM)は、会話型AIを通じて医療における患者のエンゲージメントを変革する新たな機会を開いた。 4つのケーススタディを通して,LLMの非構造化会話データ処理能力を示す。
  論文  参考訳（メタデータ） (2024-06-19T16:02:04Z)
• The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies [97.5153823429076]
  この分野でのAIのメリット、課題、欠点についてレビューする。 データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
  論文  参考訳（メタデータ） (2022-12-08T23:23:39Z)
• IART: Intent-aware Response Ranking with Transformers in Information-seeking Conversation Systems [80.0781718687327]
  我々は、情報探索会話におけるユーザ意図パターンを分析し、意図認識型ニューラルレスポンスランキングモデル「IART」を提案する。 IARTは、ユーザ意図モデリングと言語表現学習とTransformerアーキテクチャの統合の上に構築されている。
  論文  参考訳（メタデータ） (2020-02-03T05:59:52Z)

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。