論文の概要: A Low-Code Approach for the Automatic Personalization of Conversational Agents

• arxiv url: http://arxiv.org/abs/2605.02384v1
• Date: Mon, 04 May 2026 09:23:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.217854
• Title: A Low-Code Approach for the Automatic Personalization of Conversational Agents
• Title（参考訳）: 会話エージェントの自動パーソナライズのためのローコードアプローチ
• Authors: Aaron Conrardy, Alfredo Capozucca, Jordi Cabot,
• Abstract要約: MDEドメインにおけるユーザ・モデリングの状況についてSLRを行う。 私たちはコミュニティが統一的で再利用可能なユーザーモデルに合意すべきだと考えています。 MLベースの新世代の提案がユーザプロファイルを自動的にインクリメンタルに導き出すことを期待しています。
• 参考スコア（独自算出の注目度）: 1.3159070382856923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we conducted an SLR on the state of user modeling in the MDE domain. Results show a diverse set of disconnected proposals, covering a partial number of dimensions with an emphasis on those characteristics that are easier to profile. Moreover, most dimensions are regarded as fixed instead of allowing their dynamic evolution during the interaction with the software application. It is also worth noting that tool support is also rather limited, mostly limited to enabling the creation of the user models itself. The roadmap we hope to see in this area stems from the discussion points seen above. For instance, we believe the community should agree on a unified and re-usable user model, covering the superset of all dimensions present in the literature. Plus additional ones we could learn from user profiling in other domains (e.g. sociology). On the technical side, we expect to see a new generation of ML-based proposals to automatically and incrementally derive a user profile from the analysis of user interactions and a number of automatic pipelines able to transform the user information in concrete application adaptations that personalize the application to cater to the user's needs and profile.
• Abstract（参考訳）: 本稿では,MDEドメインにおけるユーザ・モデリングの状況についてSLRを行った。 結果は多種多様な非連結な提案の集合を示し、部分的な次元を網羅し、プロファイルし易い特徴に重点を置いている。 さらに、ほとんどの次元は、ソフトウェアアプリケーションとのインタラクション中に動的に進化させるのではなく、固定されたと見なされる。 また、ツールのサポートもかなり限定されており、主にユーザモデル自体の作成に限られている点にも注意が必要だ。 この領域で私たちが期待するロードマップは、上記の議論のポイントから来ています。 例えば、コミュニティは、文献に存在するすべての次元のスーパーセットをカバーし、統一的で再利用可能なユーザーモデルに合意すべきであると考えています。 さらに、他のドメイン(例えば社会学)のユーザープロファイリングから学ぶことができるものも追加される。 技術的な面では、ユーザインタラクションの分析からユーザプロファイルを自動的にインクリメンタルに導出するMLベースの新世代の提案や、ユーザニーズやプロファイルに合わせてアプリケーションをパーソナライズする具体的なアプリケーション適応におけるユーザ情報変換が可能な多数の自動パイプラインが期待されます。

関連論文リスト

• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• Towards a unified user modeling language for engineering human centered AI systems [1.7450893625541586]
  AIベースの会話エージェントのような、インテリジェントなユーザーインターフェースの新しい波は、そのようなパーソナライズを可能にする可能性がある。 本稿では,従来のアプローチを一つの提案で組み合わせることを目的とした統合ユーザモデリング言語の概念を提案する。 言語を用いてモデル化されたユーザプロファイルを利用して会話エージェントを自動的に適応する概念実証が開発された。
  論文  参考訳（メタデータ） (2025-05-30T15:20:15Z)
• Creating General User Models from Computer Use [53.59999173952482]
  本稿では,コンピュータとのインタラクションを観察することでユーザについて学習する汎用ユーザモデル(GUM)のアーキテクチャを提案する。 GUMは、ユーザ(例えばデバイスのスクリーンショット)の非構造化観察を入力として受け取り、ユーザの知識と好みをキャプチャする信頼度重み付け命題を構築する。
  論文  参考訳（メタデータ） (2025-05-16T04:00:31Z)
• Know Me, Respond to Me: Benchmarking LLMs for Dynamic User Profiling and Personalized Responses at Scale [53.059480071818136]
  大規模言語モデル(LLM)は、幅広いタスクでユーザのためのパーソナライズされたアシスタントとして登場した。 PERSONAMEMは180以上のユーザ-LLMインタラクション履歴を持つキュレートされたユーザプロファイルを備えている。 LLMチャットボットのユーザプロファイルの現在状況に応じて,最も適切な応答を識別する能力を評価する。
  論文  参考訳（メタデータ） (2025-04-19T08:16:10Z)
• User Modeling in Model-Driven Engineering: A Systematic Literature Review [1.7450893625541586]
  我々は,モデル駆動工学(MDE)アプローチにおけるユーザモデリングの既存提案を分析するために,体系的な文献レビューを実施している。 結果は、統一的で完全なユーザーモデリングの視点が欠如していることを示しています。 これにより、よりリッチなユーザインターフェースの実装が、ユーザ固有のニーズをよりサポートできるようになります。
  論文  参考訳（メタデータ） (2024-12-20T13:19:57Z)
• PEFT-U: Parameter-Efficient Fine-Tuning for User Personalization [9.594958534074074]
  ユーザパーソナライズのためのNLPモデルの構築と評価のための新しいデータセットであるPEFT-Uベンチマークを紹介する。 多様なユーザ中心タスクのコンテキストにおいて、LLMを効率よくパーソナライズし、ユーザ固有の嗜好に適合させるという課題について検討する。
  論文  参考訳（メタデータ） (2024-07-25T14:36:18Z)

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。