論文の概要: AI in Insurance: Adaptive Questionnaires for Improved Risk Profiling

• arxiv url: http://arxiv.org/abs/2604.02034v1
• Date: Thu, 02 Apr 2026 13:39:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.822914
• Title: AI in Insurance: Adaptive Questionnaires for Improved Risk Profiling
• Title（参考訳）: 保険におけるAI: リスクプロファイリングを改善するための適応的なアンケート
• Authors: Diogo Silva, João Teixeira, Bruno Lima,
• Abstract要約: 保険申請プロセスは、個人差を捉えるのに苦労する、長くて標準化されたアンケートに依存することが多い。 ARQuestフレームワークは、LLM(Large Language Models)と代替データソースを使用することで、アンダーライスに対する新しいアプローチを導入する。 ソーシャルメディア画像解析、地理的データ分類、検索拡張生成(RAG)は、意味のあるユーザインサイトを抽出するために用いられる。
• 参考スコア（独自算出の注目度）: 1.6622913397327312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Insurance application processes often rely on lengthy and standardized questionnaires that struggle to capture individual differences. Moreover, insurers must blindly trust users' responses, increasing the chances of fraud. The ARQuest framework introduces a new approach to underwriting by using Large Language Models (LLMs) and alternative data sources to create personalized and adaptive questionnaires. Techniques such as social media image analysis, geographic data categorization, and Retrieval Augmented Generation (RAG) are used to extract meaningful user insights and guide targeted follow-up questions. A life insurance system integrated into an industry partner mobile app was tested in two experiments. While traditional questionnaires yielded slightly higher accuracy in risk assessment, adaptive versions powered by GPT models required fewer questions and were preferred by users for their more fluid and engaging experience. ARQuest shows great potential to improve user satisfaction and streamline insurance processes. With further development, this approach may exceed traditional methods regarding risk accuracy and help drive innovation in the insurance industry.
• Abstract（参考訳）: 保険申請プロセスは、個人差を捉えるのに苦労する、長くて標準化されたアンケートに依存することが多い。 さらに、保険会社はユーザーの反応を盲目的に信頼し、詐欺の可能性を増大させなければならない。 ARQuestフレームワークは、Large Language Models(LLM)と代替データソースを使用して、パーソナライズされた適応的なアンケートを作成する、新しいアンダーライティングアプローチを導入している。 ソーシャルメディアの画像分析、地理的データ分類、検索拡張生成(RAG)といった手法は、意味のあるユーザインサイトを抽出し、対象とするフォローアップ質問をガイドするために用いられる。 業界パートナーのモバイルアプリに統合された生命保険システムを2つの実験でテストした。 従来のアンケートではリスクアセスメントの精度はわずかに高かったが、GPTモデルによる適応版では質問が少なかった。 ARQuestは、ユーザーの満足度を向上し、保険プロセスを効率化する大きな可能性を秘めている。 さらなる発展に伴い、リスクの正確性に関する従来の手法を超越し、保険業界におけるイノベーションの促進に寄与する可能性がある。

関連論文リスト

• SoK: Privacy Risks and Mitigations in Retrieval-Augmented Generation Systems [53.51921540246166]
  Retrieval-Augmented Generation (RAG)技術は広く普及している。 RAGには、Large Language Models(LLM)とドメイン固有の知識ベースとの結合が含まれる。 RAGの普及は、データのプライバシに関する懸念を引き起こしている。
  論文  参考訳（メタデータ） (2026-01-07T14:50:41Z)
• Risk-adaptive Activation Steering for Safe Multimodal Large Language Models [25.347491265330863]
  現代のAIモデルの鍵となる課題の1つは、悪意のあるものを拒否しながら、クエリを無視するのに役立つ応答を提供することである。 本稿では,安全クリティカルな画像領域への相互注意を強化するためにクエリを再構成することを提案する。 評価されたリスクを使用して、アクティベーションを適応的に操り、反復的な出力調整のオーバーヘッドなしに安全で有用な応答を生成する。
  論文  参考訳（メタデータ） (2025-10-15T15:57:17Z)
• Towards Automated Safety Requirements Derivation Using Agent-based RAG [0.25128687379089687]
  自律走行車における安全要件の自動導出について検討し, LLMとエージェントベース検索拡張生成を併用して検討した。 既存のRAGアプローチはこの問題に対処するが、複雑なクエリを扱う場合のパフォーマンスは低下する。 本稿では,エージェントベースRAGを用いて安全性要件を導出し,検索した情報がクエリに関連があることを示す。
  論文  参考訳（メタデータ） (2025-04-15T14:43:19Z)
• AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
  本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。 このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
  論文  参考訳（メタデータ） (2025-02-19T05:58:52Z)
• Modeling Churn in Recommender Systems with Aggregated Preferences [6.261444979025644]
  本稿では,集約されたユーザ情報を活用し,混乱リスクを軽減するという2つの課題に対処するモデルを提案する。 本モデルでは,ユーザタイプに対する確率的事前確率と,各種コンテンツタイプに対する満足度を推定する。
  論文  参考訳（メタデータ） (2025-02-09T13:12:11Z)
• Towards Trustworthy Retrieval Augmented Generation for Large Language Models: A Survey [92.36487127683053]
  Retrieval-Augmented Generation (RAG)は、AIGC(AIGC)の課題に対処するために設計された高度な技術である。 RAGは信頼性と最新の外部知識を提供し、幻覚を減らし、幅広いタスクで関連するコンテキストを保証する。 RAGの成功と可能性にもかかわらず、最近の研究により、RAGパラダイムはプライバシーの懸念、敵対的攻撃、説明責任の問題など、新たなリスクももたらしていることが示されている。
  論文  参考訳（メタデータ） (2025-02-08T06:50:47Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)

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。