論文の概要: Mimetic Alignment with ASPECT: Evaluation of AI-inferred Personal Profiles

• arxiv url: http://arxiv.org/abs/2603.26922v1
• Date: Fri, 27 Mar 2026 18:55:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.693266
• Title: Mimetic Alignment with ASPECT: Evaluation of AI-inferred Personal Profiles
• Title（参考訳）: ASPECTを用いたミメティックアライメント:AIによる個人プロファイルの評価
• Authors: Ruoxi Shang, Dan Marshall, Edward Cutrell, Denae Ford,
• Abstract要約: 本研究では,職場データからの行動証拠に対して,検証済みのコミュニケーション尺度から構成物を評価するパイプラインであるASPECTを提案する。 ASPECT生成プロファイルは、自己評価と適度に一致し、ASPECT生成応答は、ジェネリックおよび自己報告ベースラインよりも好まれた。 検査可能な、個別にスコープ化されたコミュニケーションプロファイルを構築することの意味について論じる。
• 参考スコア（独自算出の注目度）: 9.797234412839304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI agents that communicate on behalf of individuals need to capture how each person actually communicates, yet current approaches either require costly per-person fine-tuning, produce generic outputs from shallow persona descriptions, or optimize preferences without modeling communication style. We present ASPECT (Automated Social Psychometric Evaluation of Communication Traits), a pipeline that directs LLMs to assess constructs from a validated communication scale against behavioral evidence from workplace data, without per-person training. In a case study with 20 participants (1,840 paired item ratings, 600 scenario evaluations), ASPECT-generated profiles achieved moderate alignment with self-assessments, and ASPECT-generated responses were preferred over generic and self-report baselines on aggregate, with substantial variation across individuals and scenarios. During the profile review phase, linked evidence helped participants identify mischaracterizations, recalibrate their own self-ratings, and negotiate context-appropriate representations. We discuss implications for building inspectable, individually scoped communication profiles that let individuals control how agents represent them at work.
• Abstract（参考訳）: 個人に代わってコミュニケーションを行うAIエージェントは、個々の人が実際にコミュニケーションする方法をキャプチャする必要があるが、現在のアプローチでは、人ごとの微調整にコストがかかるか、浅いペルソナ記述から一般的なアウトプットを生成するか、あるいはコミュニケーションスタイルをモデル化せずに好みを最適化する必要がある。 ASPECT(Automated Social Psychometric Evaluation of Communication Traits)は,職場データからの行動証拠に対する検証済みのコミュニケーション尺度から構築物を評価するためのパイプラインである。 参加者20名(ペアアイテム評価1,840名,シナリオ評価600名)によるケーススタディでは,ASPECT生成プロファイルは自己評価と適度に一致し,ASPECT生成応答は総合的および自己報告ベースラインよりも好まれた。 プロファイルレビューフェーズでは、リンクされたエビデンスによって、参加者が誤評価を識別し、自己評価を再検討し、文脈に合った表現を交渉するのに役立つ。 検査可能な、個別にスコープ化されたコミュニケーションプロファイルを構築することの意味について論じる。

関連論文リスト

• From Transcripts to AI Agents: Knowledge Extraction, RAG Integration, and Robust Evaluation of Conversational AI Assistants [0.0]
  顧客向け産業向けの信頼できる会話AIアシスタントの構築は、ノイズの多い会話データ、断片化された知識、正確なヒューマンハンドオフの必要性により、依然として困難である。 本稿では,履歴書から直接対話型AIアシスタントを構築し,評価するためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-26T07:44:47Z)
• Persistent Personas? Role-Playing, Instruction Following, and Safety in Extended Interactions [11.415343473837583]
  パーソナ指定の大規模言語モデル(LLM)は、教育、医療、社会デマグラフィーシミュレーションなどの領域で使用されている。 本研究では,長期の対話と評価データセットを組み合わせた評価プロトコルを導入し,対話条件付きベンチマークを作成する。 対話の過程でペルソナの忠実度は低下し,特に目標志向の会話では低下することがわかった。
  論文  参考訳（メタデータ） (2025-12-14T17:27:02Z)
• Personalized Reasoning: Just-In-Time Personalization and Why LLMs Fail At It [81.50711040539566]
  現在の大規模言語モデル(LLM)開発は、タスク解決と優先順位調整を別の課題として扱う。 静的ベンチマークを対話型パーソナライズタスクに変換する評価手法であるPreFDISCOを紹介する。 我々のフレームワークは、ユーザコンテキストに応じて、同じ質問が異なる推論チェーンを必要とするシナリオを作成します。
  論文  参考訳（メタデータ） (2025-09-30T18:55:28Z)
• Chatting Up Attachment: Using LLMs to Predict Adult Bonds [0.0]
  GPT-4とClaude 3 Opusを使用して、さまざまなプロファイル、子供時代の記憶、アタッチメントスタイルを持つ大人をシミュレートするエージェントを作成します。 我々は,同一の面接プロトコルを施行し,精神保健専門家によって分析・ラベル付けされた9人のヒトの転写データセットを用いて,我々のモデルを評価した。 以上の結果から,合成データのみを用いたモデルトレーニングは,人間のデータを用いたモデルトレーニングに匹敵する性能を発揮することが示唆された。
  論文  参考訳（メタデータ） (2024-08-31T04:29:19Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)
• Towards Automatic Evaluation of Dialog Systems: A Model-Free Off-Policy Evaluation Approach [84.02388020258141]
  強化学習におけるオフポリシ評価に基づく人間評価スコア推定のための新しいフレームワークであるENIGMAを提案する。 ENIGMAはいくつかの事前収集された経験データしか必要としないため、評価中にターゲットポリシーとのヒューマンインタラクションは不要である。 実験の結果,ENIGMAは人間の評価スコアと相関して既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-02-20T03:29:20Z)
• Learning an Unreferenced Metric for Online Dialogue Evaluation [53.38078951628143]
  本稿では,大規模な事前学習言語モデルを用いて発話の潜在表現を抽出する非参照自動評価指標を提案する。 提案手法は,オンライン環境でのアノテーションと高い相関性を実現すると同時に,推論時に比較に真の応答を必要としないことを示す。
  論文  参考訳（メタデータ） (2020-05-01T20:01:39Z)

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。