論文の概要: Agentic Personas for Adaptive Scientific Explanations with Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2603.21846v1
• Date: Mon, 23 Mar 2026 11:35:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.637025
• Title: Agentic Personas for Adaptive Scientific Explanations with Knowledge Graphs
• Title（参考訳）: 知識グラフを用いた適応的科学的説明のためのエージェントペルソナ
• Authors: Susana Nunes, Tiago Guerreiro, Catia Pesquita,
• Abstract要約: 本稿では,エージェントペルソナを組み込んだ科学的説明生成のための強化学習手法を提案する。 その結果,ペルソナによる説明は最先端の予測性能と一致していることがわかった。 エージェントペルソナは、複雑かつ高い領域におけるAIシステムのスケーラブルな適応的説明可能性を実現する。
• 参考スコア（独自算出の注目度）: 0.45880283710344066
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI explanation methods often assume a static user model, producing non-adaptive explanations regardless of expert goals, reasoning strategies, or decision contexts. Knowledge graph-based explanations, despite their capacity for grounded, path-based reasoning, inherit this limitation. In complex domains such as scientific discovery, this assumption fails to capture the diversity of cognitive strategies and epistemic stances among experts, preventing explanations that foster deeper understanding and informed decision-making. However, the scarcity of human experts limits the use of direct human feedback to produce adaptive explanations. We present a reinforcement learning approach for scientific explanation generation that incorporates agentic personas, structured representations of expert reasoning strategies, that guide the explanation agent towards specific epistemic preferences. In an evaluation of knowledge graph-based explanations for drug discovery, we tested two personas that capture distinct epistemic stances derived from expert feedback. Results show that persona-driven explanations match state-of-the-art predictive performance while persona preferences closely align with those of their corresponding experts. Adaptive explanations were consistently preferred over non-adaptive baselines (n = 22), and persona-based training reduces feedback requirements by two orders of magnitude. These findings demonstrate how agentic personas enable scalable adaptive explainability for AI systems in complex and high-stakes domains.
• Abstract（参考訳）: AIの説明手法は、しばしば静的なユーザーモデルを仮定し、専門家の目標、推論戦略、意思決定コンテキストに関わらず、非適応的な説明を生成する。 知識グラフに基づく説明は、基礎化されたパスベースの推論能力にもかかわらず、この制限を継承する。 科学的発見のような複雑な領域では、この仮定は専門家の認知戦略の多様性や疫学的なスタンスを捉えず、深い理解と情報的な意思決定を促進する説明を妨げている。 しかし、人間の専門家の不足は、適応的な説明を生み出すために直接の人間のフィードバックの使用を制限する。 本稿では, エージェントペルソナ, 専門家推論戦略の構造化表現を取り入れた科学的説明生成のための強化学習手法を提案する。 薬物発見のための知識グラフに基づく説明法の評価において,専門家のフィードバックから得られた個別のてんかんのスタンスを捉えた2つのペルソナを検証した。 その結果、ペルソナによる説明は最先端の予測性能と一致し、ペルソナの嗜好は対応する専門家のものと密接に一致していることがわかった。 適応的説明は、非適応的ベースライン(n = 22)よりも一貫して好まれ、ペルソナに基づくトレーニングは、2桁のフィードバック要求を減少させる。 これらの知見は,エージェントペルソナが複雑かつ高い領域におけるAIシステムに対して,スケーラブルな適応的説明可能性を実現する方法を示している。

関連論文リスト

• XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
  時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。 伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。 時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
  論文  参考訳（メタデータ） (2024-10-18T05:16:39Z)
• Evaluating the Utility of Model Explanations for Model Development [54.23538543168767]
  機械学習モデル構築の実践シナリオにおいて、説明が人間の意思決定を改善するかどうかを評価する。 驚いたことに、サリエンシマップが提供されたとき、タスクが大幅に改善されたという証拠は見つからなかった。 以上の結果から,サリエンシに基づく説明における誤解の可能性と有用性について注意が必要であることが示唆された。
  論文  参考訳（メタデータ） (2023-12-10T23:13:23Z)
• Evaluation of Human-Understandability of Global Model Explanations using Decision Tree [8.263545324859969]
  我々は、物語的、患者固有の、そしてグローバルなモデル説明を生成する。 特定のタイプの説明を強く好みます。 これは信頼と行動の両方が可能な健康情報システムの設計を導くものである。
  論文  参考訳（メタデータ） (2023-09-18T16:30:14Z)
• Explaining Explainability: Towards Deeper Actionable Insights into Deep Learning through Second-order Explainability [70.60433013657693]
  2階説明可能なAI(SOXAI)は、最近インスタンスレベルからデータセットレベルまで説明可能なAI(XAI)を拡張するために提案されている。 そこで本研究では,SOXAIの動作可能な洞察に基づくトレーニングセットから無関係な概念を除外することで,モデルの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-06-14T23:24:01Z)
• Testing the effectiveness of saliency-based explainability in NLP using randomized survey-based experiments [0.6091702876917281]
  Explainable AIにおける多くの研究は、NLPモデルの動作と予測に関する人間の洞察を与える説明方法を考案することを目的としている。 自然に人間の傾向やバイアスは、人間の説明を理解するのに役立ちます。 自然言語処理におけるサリエンシに基づくポストホック説明可能性手法の有効性を理解するために,ランダム化されたサーベイベース実験を設計した。
  論文  参考訳（メタデータ） (2022-11-25T08:49:01Z)
• Towards Human Cognition Level-based Experiment Design for Counterfactual Explanations (XAI) [68.8204255655161]
  XAI研究の重点は、より理解を深めるために、より実践的な説明アプローチに変わったようだ。 認知科学研究がXAIの進歩に大きく影響を与える可能性のある領域は、ユーザの知識とフィードバックを評価することである。 本研究では,異なる認知レベルの理解に基づく説明の生成と評価を実験する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-31T19:20:22Z)
• Experiential Explanations for Reinforcement Learning [18.039927414134088]
  強化学習システムは複雑で解釈不能である。 本稿では,実証説明手法を提案する。
  論文  参考訳（メタデータ） (2022-10-10T14:27:53Z)
• Human Interpretation of Saliency-based Explanation Over Text [65.29015910991261]
  テキストデータ上でのサリエンシに基づく説明について検討する。 人はしばしば説明を誤って解釈する。 本稿では,過度知覚と過小認識のモデル推定に基づいて,サリエンシを調整する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-27T15:20:32Z)
• A general framework for scientifically inspired explanations in AI [76.48625630211943]
  我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。 このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-03-02T10:32:21Z)

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。