論文の概要: Conversations in Space: Structuring Non-Linear LLM Interactions on a Canvas

• arxiv url: http://arxiv.org/abs/2605.15848v1
• Date: Fri, 15 May 2026 11:01:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.25901
• Title: Conversations in Space: Structuring Non-Linear LLM Interactions on a Canvas
• Title（参考訳）: 空間における会話:キャンバス上の非線形LLM相互作用の構造化
• Authors: Rifat Mehreen Amin, Alperen Adatepe, Daniela Fernandes, Daniel Buschek, Andreas Butz,
• Abstract要約: 本稿では,線形チャットを空間キャンバスに埋め込まれた分岐会話ツリーに変換する対話インタフェースであるCanvasConvoを紹介する。 これらのブランチは、よく知られたチャットインターフェースに統合されたまま、キャンバス上で視覚化され、ユーザーは線形と非線形のインタラクションを切り替えることができる。
• 参考スコア（独自算出の注目度）: 14.561086403866364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational interfaces powered by large language models (LLMs) are widely used for ideation and analysis, yet their linear structure limits exploration of alternatives and management of long-running interactions. We present CanvasConvo, a conversational interface concept that transforms linear chat into a branching conversation tree embedded in a spatial canvas. CanvasConvo enables users to explore what-if scenarios by branching directly from conversational content, supporting parallel development of alternative directions. These branches are visualized on a canvas while remaining integrated with a familiar chat interface, allowing users to switch between linear and non-linear interaction. Features such as timeline-based navigation, automatic tagging and summarization, and context-aware controls (e.g., goals, reusable prompts) support structured interaction and continuity. We evaluated CanvasConvo in a 5-7 day field study with 24 participants. Our findings highlight how non-linear conversational structures support exploratory workflows and different interactions in LLM-based work.
• Abstract（参考訳）: 大規模言語モデル(LLM)を利用した会話インタフェースは、アイデアや分析に広く用いられているが、その線形構造は代替品の探索と長期的相互作用の管理を制限している。 本稿では,線形チャットを空間キャンバスに埋め込まれた分岐会話ツリーに変換する対話インタフェースであるCanvasConvoを紹介する。 CanvasConvoでは、会話コンテンツから直接分岐して、代替方向の並列開発をサポートすることで、What-ifシナリオを探索することができる。 これらのブランチは、よく知られたチャットインターフェースに統合されたまま、キャンバス上で視覚化され、ユーザーは線形と非線形のインタラクションを切り替えることができる。 タイムラインベースのナビゲーション、自動タグ付けと要約、コンテキスト認識コントロール(例えば、ゴール、再利用可能なプロンプト)などの機能は、構造化されたインタラクションと連続性をサポートする。 CanvasConvoを24名を対象に5-7日間のフィールドスタディで評価した。 本研究は,LLMに基づく作業において,非線形会話構造が探索的ワークフローと異なるインタラクションをどのようにサポートするかを明らかにする。

関連論文リスト

• Context-Agent: Dynamic Discourse Trees for Non-Linear Dialogue [19.35173035005251]
  マルチターン対話履歴を動的ツリー構造としてモデル化する新しいフレームワークであるContext-Agentを紹介する。 このアプローチは、会話の本質的な非線形性を反映し、異なるトピックに対応する複数の対話ブランチの維持とナビゲートを可能にする。 実験により、Context-Agentはタスク完了率を高め、様々な大規模言語モデルにおけるトークン効率を向上させることが示された。
  論文  参考訳（メタデータ） (2026-04-07T07:54:40Z)
• ChatUMM: Robust Context Tracking for Conversational Interleaved Generation [44.19929499646892]
  統一マルチモーダルモデル(UMM)は目覚ましい進歩を遂げているが、シングルターン相互作用パラダイムによって制約されている。 本稿では,対話型統合モデルChatUMMを提案する。 ChatUMMは、連続的な会話の流れとしてシリアライズされたテキストイメージストリームをモデル化するインターリーブされたマルチターントレーニング戦略に由来する。
  論文  参考訳（メタデータ） (2026-02-06T07:11:50Z)
• LLMberjack: Guided Trimming of Debate Trees for Multi-Party Conversation Creation [16.278036411553803]
  LLMberjackは、多人数会話を作成するためのプラットフォームである。 ディスカッションツリーを視覚化し、一貫性のある線形化対話シーケンスを構築することができる。 オプションで大きな言語モデル(LLM)をサポートして、メッセージや話者の説明の自動編集をサポートする。
  論文  参考訳（メタデータ） (2026-01-07T17:49:17Z)
• Generative Interfaces for Language Models [70.25765232527762]
  ユーザインタフェース(UI)を積極的に生成することにより,大規模言語モデル(LLM)がユーザクエリに応答するパラダイムを提案する。 本フレームワークは,ユーザクエリをタスク固有のUIに変換するために,構造化インターフェース固有の表現と反復的洗練を活用している。 その結果、生成的インタフェースは人間の嗜好を最大72%改善し、会話的インタフェースよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-08-26T17:43:20Z)
• Token Trails: Navigating Contextual Depths in Conversational AI with ChatLLM [0.5743699972363359]
  Token Trailsは、トークンタイプの埋め込みを利用して会話内のコンテキストニュアンスをナビゲートする、新しいアプローチである。 本フレームワークはトークン型埋め込みを利用して,ユーザの発話とボット応答を区別し,コンテキスト認識応答の生成を容易にする。
  論文  参考訳（メタデータ） (2024-04-03T02:11:39Z)
• Segment Everything Everywhere All at Once [124.90835636901096]
  画像中のすべてのものを同時にセグメント化するための,迅速かつインタラクティブなモデルであるSEEMを提案する。 そこで本研究では,あらゆるタイプのセグメンテーションタスクに対して,多様なプロンプトを可能にする新しい復号化機構を提案する。 多様なセグメンテーションタスクにおけるSEEMの有効性を検証するための総合的な実証的研究を行った。
  論文  参考訳（メタデータ） (2023-04-13T17:59:40Z)
• CTRLStruct: Dialogue Structure Learning for Open-Domain Response Generation [38.60073402817218]
  十分に構造化されたトピックフローは、バックグラウンド情報を活用し、将来のトピックを予測することで、制御可能で説明可能な応答を生成する。 本稿では,話題レベルの対話クラスタを効果的に探索する対話構造学習のための新しいフレームワークを提案する。 2つの人気のあるオープンドメイン対話データセットの実験は、優れた対話モデルと比較して、我々のモデルはより一貫性のある応答を生成できることを示している。
  論文  参考訳（メタデータ） (2023-03-02T09:27:11Z)
• Learning Reasoning Paths over Semantic Graphs for Video-grounded Dialogues [73.04906599884868]
  対話文脈(PDC)における推論経路の新しい枠組みを提案する。 PDCモデルは、各質問と回答の語彙成分に基づいて構築されたセマンティックグラフを通じて、対話間の情報フローを発見する。 本モデルでは,この推論経路を通じて視覚情報とテキスト情報を逐次的に処理し,提案する特徴を用いて回答を生成する。
  論文  参考訳（メタデータ） (2021-03-01T07:39:26Z)

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。