論文の概要: HR-Agents: Using Multiple LLM-based Agents to Improve Q&A about Brazilian Labor Legislation

• arxiv url: http://arxiv.org/abs/2604.16337v1
• Date: Fri, 13 Mar 2026 13:47:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.904108
• Title: HR-Agents: Using Multiple LLM-based Agents to Improve Q&A about Brazilian Labor Legislation
• Title（参考訳）: HR-Agents:ブラジルの労働法改正に関するQ&Aを改善するために複数のLDMエージェントを使用する
• Authors: Abriel K. Moraes, Gabriel S. M. Dias, Vitor L. Fabris, Lucas D. Gessoni, Leonardo R. do Nascimento, Charles S. Oliveira, Vitor G. C. B. de Farias, Fabiana C. Q. de O. Marucci, Matheus H. R. Vicente, Gabriel U. Talasso, Erik Soares, Amparo Munoz, Sildolfo Gomes, Maria L. A. de S. Cruvinel, Leonardo T. dos Santos, Renata De Paris, Wandemberg Gibaut,
• Abstract要約: 労働法統合 (CLT) は、ブラジルにおける労働関係を統括する主要な法的枠組みである。 労働法の問い合わせに対処する伝統的な方法は、しばしば非効率性、遅延、不整合につながる。 法的な質問応答(Q&A)の精度と効率を高めるため,LLM(Large Language Models)を利用したマルチエージェントシステムを導入した。
• 参考スコア（独自算出の注目度）: 0.09597740289758887
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Consolidation of Labor Laws (CLT) serves as the primary legal framework governing labor relations in Brazil, ensuring essential protections for workers. However, its complexity creates challenges for Human Resources (HR) professionals in navigating regulations and ensuring compliance. Traditional methods for addressing labor law inquiries often lead to inefficiencies, delays, and inconsistencies. To enhance the accuracy and efficiency of legal question-answering (Q&A), a multi-agent system powered by Large Language Models (LLMs) is introduced. This approach employs specialized agents to address distinct aspects of employment law while integrating Retrieval-Augmented Generation (RAG) to enhance contextual relevance. Implemented using CrewAI, the system enables cooperative agent interactions, ensuring response validation and reducing misinformation. The effectiveness of this framework is evaluated through a comparison with a baseline RAG pipeline utilizing a single LLM, using automated metrics such as BLEU, LLM-as-judge evaluations, and expert human assessments. Results indicate that the multi-agent approach improves response coherence and correctness, providing a more reliable and efficient solution for HR professionals. This study contributes to AI-driven legal assistance by demonstrating the potential of multi-agent LLM architectures in improving labor law compliance and streamlining HR operations.
• Abstract（参考訳）: 労働法統合 (CLT) は、ブラジルにおける労働関係を統括する主要な法的枠組みであり、労働者にとって不可欠な保護を保障している。 しかし、その複雑さは、規制のナビゲートとコンプライアンスの確保において、人事(HR)の専門家にとっての課題を生み出します。 労働法の問い合わせに対処する伝統的な方法は、しばしば非効率性、遅延、不整合につながる。 法的な質問応答(Q&A)の精度と効率を高めるため,LLM(Large Language Models)を利用したマルチエージェントシステムを導入した。 このアプローチでは、専門エージェントを用いて雇用法の異なる側面に対処し、文脈関連性を高めるためにレトリーバル強化世代(RAG)を統合する。 CrewAIを用いて実装されたこのシステムは、協調エージェントのインタラクションを可能にし、応答検証を確実にし、誤情報を減らす。 このフレームワークの有効性は,BLEU,LLM-as-judge評価,専門家による評価などの自動測定値を用いて,単一のLLMを用いたベースラインRAGパイプラインとの比較により評価される。 その結果,多エージェントアプローチは応答コヒーレンスと正当性を向上し,HR専門家にとってより信頼性が高く効率的なソリューションを提供することが示された。 この研究は、労働法コンプライアンスの改善と人事業務の合理化におけるマルチエージェントLLMアーキテクチャの可能性を示すことによって、AI主導の法的援助に寄与する。

関連論文リスト

• LegalOne: A Family of Foundation Models for Reliable Legal Reasoning [54.57434222018289]
  我々は、中国の法律ドメインに特化された基礎モデルのファミリーであるLegalOneを紹介します。 LegalOneは、法的推論をマスターするために設計された包括的な3フェーズパイプラインを通じて開発されている。 LegalOneの重み付けとLegalKit評価フレームワークを公開して、Legal AIの分野を前進させます。
  論文  参考訳（メタデータ） (2026-01-31T10:18:32Z)
• Evaluating Generalization Capabilities of LLM-Based Agents in Mixed-Motive Scenarios Using Concordia [100.74015791021044]
  大規模言語モデル(LLM)エージェントは、社会的相互作用の素晴らしい能力を実証している。 既存の評価手法は、これらの能力がいかに新しい社会的状況に一般化するかを測ることに失敗する。 我々は,NeurIPS 2024 Concordia Contestで,エージェントが相互利得を達成する能力について評価した経験的結果を示す。
  論文  参考訳（メタデータ） (2025-12-03T00:11:05Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• L-MARS: Legal Multi-Agent Workflow with Orchestrated Reasoning and Agentic Search [3.662162441273026]
  L-MARS(Legal Multi-Agent with Orchestrated Reasoning and Agentic Search)は、法的な質問応答における幻覚と不確実性を低減するシステムである。 単一パス検索拡張生成(RAG)とは異なり、L-MARSはクエリをサブプロブレムに分解する。 審査員を雇い、回答合成前の十分性、司法権、時間的妥当性を検証する。
  論文  参考訳（メタデータ） (2025-08-31T09:23:26Z)
• VeriLA: A Human-Centered Evaluation Framework for Interpretable Verification of LLM Agent Failures [3.075266204492352]
  複合AIシステムにおける大規模言語モデル(LLM)エージェントは、しばしば人間の基準を満たさないため、システム全体のパフォーマンスを損なうエラーにつながる。 本稿では LLM Agent failures (VeriLA) を検証するための人間中心評価フレームワークを提案する。 VeriLAは、人的労力を減らすためにエージェント障害を体系的に評価し、これらのエージェント障害を人間に解釈できるようにする。
  論文  参考訳（メタデータ） (2025-03-16T21:11:18Z)
• Agents on the Bench: Large Language Model Based Multi Agent Framework for Trustworthy Digital Justice [0.5217870815854703]
  本稿では,エージェントベンチという,大規模言語モデルに基づくマルチエージェントフレームワークを提案する。 提案手法では,複数のLCM主体のエージェントを用いて,司法機関の協調的検討と意思決定過程をシミュレートする。 我々の枠組みは、現実世界の司法プロセスをより深く反映し、正確性、公正性、社会的な考慮を向上する。
  論文  参考訳（メタデータ） (2024-12-24T23:13:37Z)
• Optimizing Numerical Estimation and Operational Efficiency in the Legal Domain through Large Language Models [13.067312163677933]
  本稿では,Large Language Modelsと特殊設計のプロンプトを統合して,法的な人工知能(LegalAI)アプリケーションにおける精度要件に対処する手法を提案する。 本手法を検証するために,精度指向の LegalAI タスクに適したキュレートデータセットを提案する。
  論文  参考訳（メタデータ） (2024-07-26T18:46:39Z)
• Large Language Model-based Human-Agent Collaboration for Complex Task Solving [94.3914058341565]
  複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。 Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。 このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
  論文  参考訳（メタデータ） (2024-02-20T11:03:36Z)
• Large Language Models as Tax Attorneys: A Case Study in Legal Capabilities Emergence [5.07013500385659]
  本稿では,税法の適用におけるLarge Language Models(LLM)の機能について考察する。 実験では,その後のOpenAIモデルリリースにおけるパフォーマンスの向上とともに,新たな法的理解能力を実証した。 発見は、特に拡張の促進と正しい法的文書と組み合わせることで、高いレベルの精度で実行可能であるが、専門家の税務弁護士レベルではまだ実行できないことを示している。
  論文  参考訳（メタデータ） (2023-06-12T12:40:48Z)
• Scalable Multi-Agent Inverse Reinforcement Learning via Actor-Attention-Critic [54.2180984002807]
  マルチエージェント逆逆強化学習 (MA-AIRL) は, 単エージェントAIRLをマルチエージェント問題に適用する最近の手法である。 本稿では,従来の手法よりもサンプル効率が高く,スケーラブルなマルチエージェント逆RLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-24T20:30:45Z)

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。