論文の概要: A Multi-Component AI Framework for Computational Psychology: From Robust Predictive Modeling to Deployed Generative Dialogue

• arxiv url: http://arxiv.org/abs/2510.21720v1
• Date: Tue, 16 Sep 2025 13:33:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.110902
• Title: A Multi-Component AI Framework for Computational Psychology: From Robust Predictive Modeling to Deployed Generative Dialogue
• Title（参考訳）: 計算心理学のための多要素AIフレームワーク:ロバスト予測モデルから生成対話への展開
• Authors: Anant Pareek,
• Abstract要約: 本稿では,孤立予測モデルと心理的分析のための対話型システムとのギャップを埋めるための包括的枠組みを提案する。 この方法論は厳格でエンドツーエンドな開発ライフサイクルを含んでいる。 主な発見は、感情コンピューティングのためのトランスフォーマーベースの回帰モデルの安定化の成功である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The confluence of Artificial Intelligence and Computational Psychology presents an opportunity to model, understand, and interact with complex human psychological states through computational means. This paper presents a comprehensive, multi-faceted framework designed to bridge the gap between isolated predictive modeling and an interactive system for psychological analysis. The methodology encompasses a rigorous, end-to-end development lifecycle. First, foundational performance benchmarks were established on four diverse psychological datasets using classical machine learning techniques. Second, state-of-the-art transformer models were fine-tuned, a process that necessitated the development of effective solutions to overcome critical engineering challenges, including the resolution of numerical instability in regression tasks and the creation of a systematic workflow for conducting large-scale training under severe resource constraints. Third, a generative large language model (LLM) was fine-tuned using parameter-efficient techniques to function as an interactive "Personality Brain." Finally, the entire suite of predictive and generative models was architected and deployed as a robust, scalable microservices ecosystem. Key findings include the successful stabilization of transformer-based regression models for affective computing, showing meaningful predictive performance where standard approaches failed, and the development of a replicable methodology for democratizing large-scale AI research. The significance of this work lies in its holistic approach, demonstrating a complete research-to-deployment pipeline that integrates predictive analysis with generative dialogue, thereby providing a practical model for future research in computational psychology and human-AI interaction.
• Abstract（参考訳）: 人工知能と計算心理学の融合は、計算手段を通じて複雑な人間の心理状態のモデル化、理解、相互作用を行う機会を提供する。 本稿では,独立した予測モデルと心理的分析のための対話型システムとのギャップを埋めるために,包括的で多面的なフレームワークを提案する。 この方法論は厳格でエンドツーエンドな開発ライフサイクルを含んでいる。 まず、古典的な機械学習技術を用いて、4つの多様な心理学的データセットに基づいて基礎的なパフォーマンスベンチマークを構築した。 第二に、最先端のトランスフォーマーモデルは微調整され、回帰タスクにおける数値不安定性の解消や、厳しいリソース制約の下で大規模トレーニングを行うための体系的なワークフローの作成など、重要なエンジニアリング課題を克服する効果的なソリューションの開発を必要とした。 第3に,多言語モデル(LLM)をパラメータ効率の手法を用いて微調整し,対話型「パーソナリティ脳」として機能させた。 最後に、予測モデルと生成モデルの全スイートは、堅牢でスケーラブルなマイクロサービスエコシステムとして設計され、デプロイされました。 主な発見は、感情コンピューティングのためのトランスフォーマーベースの回帰モデルの安定化の成功、標準アプローチが失敗した場合の有意義な予測性能、大規模AI研究の民主化のためのレプリカ可能な方法論の開発である。 この研究の意義は、その全体論的なアプローチにあり、予測分析と生成対話を統合し、計算心理学と人間とAIの相互作用における将来の研究のための実用的なモデルを提供する、完全な研究から展開までのパイプラインを実証することにある。

関連論文リスト

• Social World Model-Augmented Mechanism Design Policy Learning [58.739456918502704]
  SWM-AP (Social World Model-Augmented Mechanism Design Policy Learning) を導入する。 SWM-APは,累積報酬とサンプル効率において,モデルベースおよびモデルフリーのRLベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-10-22T06:01:21Z)
• Automating Data-Driven Modeling and Analysis for Engineering Applications using Large Language Model Agents [3.344730946122235]
  本稿では,Large Language Model (LLM) エージェントを用いてデータ駆動モデリングと分析を自動化する革新的なパイプラインを提案する。 協調エージェントを特徴とするマルチエージェントシステムと、Reasoning and Acting(ReAct)パラダイムに基づく単一エージェントシステムである。
  論文  参考訳（メタデータ） (2025-10-01T19:28:35Z)
• Modèles de Substitution pour les Modèles à base d'Agents : Enjeux, Méthodes et Applications [0.0]
  エージェントベースモデル(ABM)は、局所的な相互作用から生じる創発的な現象を研究するために広く用いられている。 ABMの複雑さは、リアルタイム意思決定と大規模シナリオ分析の可能性を制限する。 これらの制限に対処するため、サロゲートモデルはスパースシミュレーションデータから近似を学習することで効率的な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-05-17T08:55:33Z)
• Contextual Online Uncertainty-Aware Preference Learning for Human Feedback [13.478503755314344]
  RLHF(Reinforcement Learning from Human Feedback)は人工知能において重要なパラダイムとなっている。 最適モデルに基づくオンライン意思決定と統計的推測を同時に行うための新しい統計的枠組みを提案する。 本稿では,大規模マルチタスク言語理解データセット上での大規模言語モデルのランク付けのための人間の嗜好データ分析に,提案手法を適用した。
  論文  参考訳（メタデータ） (2025-04-27T19:59:11Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。 データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。 厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)
• DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
  我々は,マルチモーダルモデルの解釈における最先端化に注力する。 提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
  論文  参考訳（メタデータ） (2022-03-03T20:52:47Z)
• Introduction to Rare-Event Predictive Modeling for Inferential Statisticians -- A Hands-On Application in the Prediction of Breakthrough Patents [0.0]
  本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。 両フィールド間の潜在的な相乗効果について考察する。 我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
  論文  参考訳（メタデータ） (2020-03-30T13:06:25Z)

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。