論文の概要: Seek and You Shall Find: Design & Evaluation of a Context-Aware Interactive Search Companion

• arxiv url: http://arxiv.org/abs/2601.11287v1
• Date: Fri, 16 Jan 2026 13:39:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.507388
• Title: Seek and You Shall Find: Design & Evaluation of a Context-Aware Interactive Search Companion
• Title（参考訳）: Seek and You Shall Find: コンテキスト認識型対話型検索コンパニオンの設計と評価
• Authors: Markus Bink, Marten Risius, Udo Kruschwitz, David Elsweiler,
• Abstract要約: 本稿では,既存の検索エンジンの検索結果ページに専門家の検索戦略をシームレスに統合する対話型検索コンパニオンを提案する。 情報ニーズの明確化,クエリの定式化の向上,結果探索の促進など,コンテキスト対応のヒントを提供することで,探索行動の向上をめざしている。 ユーザ調査では、コンパニオンがより活発で探索的な検索に成功し、75パーセント以上のクエリを提出し、約2倍の結果を見ることができた。
• 参考スコア（独自算出の注目度）: 2.901725877154321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many users struggle with effective online search and critical evaluation, especially in high-stakes domains like health, while often overestimating their digital literacy. Thus, in this demo, we present an interactive search companion that seamlessly integrates expert search strategies into existing search engine result pages. Providing context-aware tips on clarifying information needs, improving query formulation, encouraging result exploration, and mitigating biases, our companion aims to foster reflective search behaviour while minimising cognitive burden. A user study demonstrates the companion's successful encouragement of more active and exploratory search, leading users to submit 75 % more queries and view roughly twice as many results, as well as performance gains in difficult tasks. This demo illustrates how lightweight, contextual guidance can enhance search literacy and empower users through micro-learning opportunities. While the vision involves real-time LLM adaptivity, this study utilises a controlled implementation to test the underlying intervention strategies.
• Abstract（参考訳）: 多くのユーザーは効果的なオンライン検索と批判的な評価に苦しむが、特に健康などの高い領域ではデジタルリテラシーを過大評価することが多い。 そこで本研究では,既存の検索エンジンの検索結果ページに専門家の検索戦略をシームレスに統合する対話型検索コンパニオンを提案する。 情報ニーズの明確化,クエリの定式化の向上,結果探索の促進,バイアス軽減に関するコンテキスト対応のヒントを提供することで,認知的負担を最小化しつつ,反射的な探索行動の促進を目指す。 ユーザスタディでは、コンパニオンがより活発で探索的な検索に成功し、75パーセント以上のクエリを提出し、結果の約2倍のビューと、困難なタスクのパフォーマンス向上を実証している。 このデモでは、軽量で文脈的なガイダンスが検索リテラシーを強化し、マイクロラーニングの機会を通じてユーザを力づける様子が紹介されている。 このビジョンは、リアルタイムLLM適応性を伴うが、本研究では、制御された実装を利用して、基礎となる介入戦略をテストする。

関連論文リスト

• SenseNova-MARS: Empowering Multimodal Agentic Reasoning and Search via Reinforcement Learning [57.083359974905655]
  SenseNova-MARSは、Multimodal Agentic Reasoning and Searchフレームワークである。 画像検索、テキスト検索、画像収穫ツールを動的に統合し、知識集約型視覚理解の課題に対処する。 SenseNova-MARSは、オープンソースの検索ときめ細かい画像理解ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-30T16:31:45Z)
• AdaSearch: Balancing Parametric Knowledge and Search in Large Language Models via Reinforcement Learning [61.974530499621274]
  検索への過度な依存は、ノイズや悪意のあるコンテンツに対する不必要なコストとリスクをもたらす。 本稿では,探索を起動するか否かの判断から問題を解き放つ2段階の結果駆動型RLフレームワークを提案する。 AdaSearchは知識境界認識を大幅に改善し、不要な検索コールを削減し、タスクパフォーマンスを強く保ち、透明性と解釈可能な意思決定行動を提供する。
  論文  参考訳（メタデータ） (2025-12-18T18:50:01Z)
• Evolving Paradigms in Task-Based Search and Learning: A Comparative Analysis of Traditional Search Engine with LLM-Enhanced Conversational Search System [5.956874084659983]
  大規模言語モデル (LLM) は、対話的、生成的、推論駆動型検索を可能にすることで、情報検索を急速に再構築している。 本研究では,標準検索エンジンとLLMを用いた検索システムという,2つの環境における探索行動と学習結果を比較した。
  論文  参考訳（メタデータ） (2025-11-29T04:14:14Z)
• DeepMMSearch-R1: Empowering Multimodal LLMs in Multimodal Web Search [61.77858432092777]
  DeepMMSearch-R1は,オンデマンドでマルチターンWeb検索が可能な,最初のマルチモーダルな大規模言語モデルである。 DeepMMSearch-R1は、画像検索をより効果的にするために、入力画像の関連する作物に基づいてWeb検索を開始することができる。 我々は、アプローチの優位性を実証するために、知識集約型ベンチマークを幅広く実施する。
  論文  参考訳（メタデータ） (2025-10-14T17:59:58Z)
• RE-Searcher: Robust Agentic Search with Goal-oriented Planning and Self-reflection [55.125987985864896]
  環境の複雑さが脆弱な探索行動をいかに引き起こすかを定量的に分析する。 本稿では,検索エージェントRE-Searcherのインスタンス化をシンプルかつ効果的に行う手法を提案する。 この目標指向計画と自己回帰の組み合わせにより、RE-Searcherは複雑な検索環境における急激な手がかりに抵抗することができる。
  論文  参考訳（メタデータ） (2025-09-30T10:25:27Z)
• SEM: Reinforcement Learning for Search-Efficient Large Language Models [26.075903427834838]
  大きな言語モデル(LLM)は、推論だけでなく、外部ツールの呼び出しでもその能力を実証している。 既存の強化学習アプローチは、しばしば冗長な探索行動を引き起こす。 本研究では,学習後強化学習フレームワークであるSEMを提案する。
  論文  参考訳（メタデータ） (2025-05-12T09:45:40Z)
• ReSearch: Learning to Reason with Search for LLMs via Reinforcement Learning [74.65632662894086]
  本稿では,強化学習を通じてLLMをReason with Searchに学習するフレームワークであるReSearchを提案する。 提案手法では,検索操作を推論チェーンの不可欠な要素として扱う。 分析によると、ReSearchは自然にリフレクションや自己訂正のような高度な推論機能を引き出す。
  論文  参考訳（メタデータ） (2025-03-25T09:00:58Z)
• Searching to Learn with Instructional Scaffolding [7.159235937301605]
  本稿では,3つの戦略を用いた探索システムへの足場導入について検討する。 AQE_SCは、関連するサブトピックによるユーザクエリの自動拡張、CURATED_SCは、検索エンジンの結果ページに、手動でキュレートされた関連するサブトピックの静的リストを表示する。 FEEDBACK_SC – CURATED_SCビジュアライゼーションの上に、ユーザのトピック空間探索に関するリアルタイムフィードバックを投影する。
  論文  参考訳（メタデータ） (2021-11-29T15:15:02Z)
• Boosting Search Engines with Interactive Agents [25.89284695491093]
  本稿では,文脈的クエリ改善のためのメタストラテジーを学習するエージェントの設計における第一歩について述べる。 エージェントには単純だが効果的な検索操作者がいて、クエリや検索結果のきめ細やかで透明な制御を行う。
  論文  参考訳（メタデータ） (2021-09-01T13:11:57Z)

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。