論文の概要: Is Passive Expertise-Based Personalization Enough? A Case Study in AI-Assisted Test-Taking
- arxiv url: http://arxiv.org/abs/2511.23376v1
- Date: Fri, 28 Nov 2025 17:21:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-01 19:47:55.996725
- Title: Is Passive Expertise-Based Personalization Enough? A Case Study in AI-Assisted Test-Taking
- Title（参考訳）: 受動的専門家によるパーソナライゼーションは十分か? : AIによるテストテイキングを事例として
- Authors: Li Siyan, Jason Zhang, Akash Maharaj, Yuanming Shi, Yunyao Li,
- Abstract要約: エキスパートユーザは、タスク指向の対話において、異なる体系的な好みを持っている。
私たちは受動的パーソナライゼーションを備えたエンタープライズAIアシスタントのバージョンを構築しました。
予備的な結果は、受動的パーソナライゼーションがタスク負荷を減らし、アシスタントの知覚を向上させることを示唆している。
これらの知見は,企業のタスク指向環境におけるユーザエクスペリエンスと効果を最適化するために,アクティブなパーソナライゼーションと受動的パーソナライゼーションを組み合わせることの重要性を浮き彫りにした。
- 参考スコア（独自算出の注目度）: 29.26173340915243
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Novice and expert users have different systematic preferences in task-oriented dialogues. However, whether catering to these preferences actually improves user experience and task performance remains understudied. To investigate the effects of expertise-based personalization, we first built a version of an enterprise AI assistant with passive personalization. We then conducted a user study where participants completed timed exams, aided by the two versions of the AI assistant. Preliminary results indicate that passive personalization helps reduce task load and improve assistant perception, but reveal task-specific limitations that can be addressed through providing more user agency. These findings underscore the importance of combining active and passive personalization to optimize user experience and effectiveness in enterprise task-oriented environments.
- Abstract（参考訳）: 初心者と専門家のユーザーは、タスク指向の対話において異なる体系的な好みを持っている。
しかし、これらの好みに合わせることで実際にユーザエクスペリエンスが向上し、タスクのパフォーマンスが未検討のままである。
専門知識に基づくパーソナライゼーションの効果を調べるために、受動的パーソナライゼーションを備えたエンタープライズAIアシスタントのバージョンを構築した。
次に、AIアシスタントの2つのバージョンによって支援された試験を参加者が完了したユーザスタディを実行した。
予備的な結果は、受動的パーソナライゼーションはタスク負荷を減らし、アシスタント知覚を改善するのに役立つが、より多くのユーザーエージェンシーを提供することによって対処できるタスク固有の制限を明らかにすることを示唆している。
これらの知見は,企業のタスク指向環境におけるユーザエクスペリエンスと効果を最適化するために,アクティブなパーソナライゼーションと受動的パーソナライゼーションを組み合わせることの重要性を浮き彫りにした。
関連論文リスト
- Training Proactive and Personalized LLM Agents [107.57805582180315]
生産性, 積極性, パーソナライゼーションの3つの側面を共同で最適化する多目的強化学習手法である PPP を導入する。
PPP訓練剤はGPT-5(平均21.6)などの強いベースラインよりも大幅に改善されている。
この研究は、ユーザ中心のインタラクションを明示的に最適化することが、実用的で効果的なAIエージェントを構築する上で重要であることを実証している。
論文 参考訳（メタデータ） (2025-11-04T02:59:36Z) - ProPerSim: Developing Proactive and Personalized AI Assistants through User-Assistant Simulation [26.512935389758727]
タイムリーでパーソナライズされたレコメンデーションを作成できるAIアシスタントを開発するためのタスクおよびシミュレーションフレームワークであるProPerSimを紹介する。
ProPerAssistantは、ユーザのフィードバックを通じて継続的に学習し、適応する検索強化された、嗜好に整合したアシスタントである。
論文 参考訳（メタデータ） (2025-09-26T00:57:27Z) - PersonaLens: A Benchmark for Personalization Evaluation in Conversational AI Assistants [31.486658078902025]
タスク指向AIアシスタントのパーソナライゼーションを評価するベンチマークであるPersonaLensを紹介する。
本ベンチマークでは,リッチな嗜好とインタラクション履歴を備えた多様なユーザプロファイルと,2つの特殊なLDMベースのエージェントを特徴とする。
我々は、そのパーソナライゼーション能力に顕著な多様性を明らかにし、会話型AIシステムを進化させる上で重要な洞察を提供する。
論文 参考訳（メタデータ） (2025-06-11T16:16:07Z) - Embodied Agents Meet Personalization: Investigating Challenges and Solutions Through the Lens of Memory Utilization [26.34637576545121]
LLMを動力とするエンボディエージェントは、従来のオブジェクト配置タスクで成功している。
しかし、過去のインタラクションからユーザ固有の知識を活用するパーソナライズされた支援を提供することで、新たな課題が浮かび上がっている。
エージェントのメモリ利用のレンズを通してこれらの課題を考察する。
論文 参考訳（メタデータ） (2025-05-22T08:00:10Z) - Instruction Matters: A Simple yet Effective Task Selection for Optimized Instruction Tuning of Specific Tasks [51.15473776489712]
本稿では,命令情報のみを利用してタスクを識別する,シンプルで効果的なタスク選択手法を提案する。
提案手法は,タスク間のペア転送可能性の複雑な測定や,対象タスクのためのデータサンプルの作成を必要とする従来の手法に比べて,はるかに効率的である。
実験の結果、命令のみに選択されたタスクセットのトレーニングにより、P3、Big-Bench、NIV2、Big-Bench Hardといったベンチマークのパフォーマンスが大幅に改善された。
論文 参考訳（メタデータ） (2024-04-25T08:49:47Z) - User Modeling Challenges in Interactive AI Assistant Systems [3.1204913702660475]
Interactive Artificial Intelligent(AI)アシスタントシステムは、人間が様々なタスクを完了するのを助けるタイムリーなガイダンスを提供するように設計されている。
残りの課題の1つは、よりパーソナライズされたガイダンスのために、タスク中のユーザの精神状態を理解することである。
本研究では,タスク実行中のユーザの精神状態を分析し,よりパーソナライズされたユーザガイダンスのために,大規模言語モデルがユーザプロファイルを解釈する能力と課題について検討する。
論文 参考訳（メタデータ） (2024-03-29T11:54:13Z) - Persona-DB: Efficient Large Language Model Personalization for Response Prediction with Collaborative Data Refinement [79.2400720115588]
本稿では,タスクコンテキスト間の一般化を改善するための階層的な構築プロセスからなる,シンプルで効果的なフレームワークであるPersona-DBを紹介する。
応答予測の評価において,Persona-DB は精度を著しく低減した検索サイズで維持する上で,より優れたコンテキスト効率を示す。
我々の実験は、ユーザーが極めて少ないデータを持つ場合、コールドスタートシナリオで10%以上の顕著な改善が示されていることも示している。
論文 参考訳（メタデータ） (2024-02-16T20:20:43Z) - From User Surveys to Telemetry-Driven AI Agents: Exploring the Potential of Personalized Productivity Solutions [21.79433247723466]
情報労働者は、現代の職場で生産性の課題にますます苦労している。
エンタープライズツールを通じて生産性のメトリクスが利用可能であるにもかかわらず、労働者はしばしばこのデータを実行可能な洞察に変換するのに失敗する。
ユーザのニーズに合わせたAIベースの生産性エージェントを通じて、これらの課題に対処するための包括的でユーザ中心のアプローチを提案する。
論文 参考訳（メタデータ） (2024-01-17T04:20:10Z) - Assisting Human Decisions in Document Matching [52.79491990823573]
我々は,意思決定者のパフォーマンスを向上する支援情報の種類を評価するためのプロキシマッチングタスクを考案した。
ブラックボックスモデルによる説明を提供することで,マッチング作業におけるユーザの精度が低下することが判明した。
一方,タスク固有のデシラタに密接に対応するように設計されたカスタムメソッドは,ユーザのパフォーマンス向上に有効であることが判明した。
論文 参考訳（メタデータ） (2023-02-16T17:45:20Z)
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。