論文の概要: Agent-as-Peer-Debriefer: A Multi-Agent Framework with Perspective-Based Refinement for Qualitative Analysis
- arxiv url: http://arxiv.org/abs/2605.24600v1
- Date: Sat, 23 May 2026 14:30:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.26721
- Title: Agent-as-Peer-Debriefer: A Multi-Agent Framework with Perspective-Based Refinement for Qualitative Analysis
- Title（参考訳）: Agent-as-Peer-Debriefer: 質的分析のためのパースペクティブ・ベース・リファインメント付きマルチエージェント・フレームワーク
- Authors: Zhimin Lin, Kun Cheng, Fan Bai, Jie Gao,
- Abstract要約: 本稿では,マルチエージェントQDAフレームワークであるAgent-as-Peer-Debrieferを提案する。
我々のフレームワークでは、階層的コーディングエージェントが標準的なQDAプロセスに従ってコード、サブテーマ、テーマを生成します。
これらの視点は、ドメインとデータセットをまたいで一般化する確立された人間のQDAプラクティスから導かれる。
- 参考スコア（独自算出の注目度）: 7.023354761776525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) are increasingly used for qualitative data analysis (QDA), yet their outputs often miss the depth and nuance of human analysis. We argue this gap reflects a missing credibility practice from human QDA: peer debriefing, in which an analyst seeks feedback from a disinterested peer and uses it to refine their coding. To bring this practice into LLM-assisted QDA, we propose Agent-as-Peer-Debriefer, a multi-agent QDA framework that builds peer debriefing into key coding steps. In our framework, a Hierarchical Coding Agent follows the standard QDA process to generate codes, sub-themes, and themes, along with self-explanations and reflection memos. It then shares these outputs with three Peer-Debriefing Agents, each applying a distinct analytical perspective (Theory-Driven, Data-Driven, or Applied) and refining the codes by keeping, renaming, reassigning, merging, or splitting them. These perspectives are drawn from established human QDA practices that generalize across domains and datasets. To evaluate the framework, we test it on three datasets across two domains with three LLMs, measuring semantic similarity to human-annotated codes. Across all settings, perspective-based, peer-debriefing refinement aligns more closely with human codes than a single-LLM baseline, and an ablation further shows the gain is not merely from additional refinement. The three perspectives also produce distinct trade-offs, showing that the choice of perspective is a meaningful and controllable design decision. More broadly, these findings suggest that simulating peer debriefing with explicit perspectives is a promising route to more credible LLM-assisted QDA.
- Abstract（参考訳）: 大規模言語モデル (LLM) は定性的データ分析 (QDA) にますます使われているが、その出力は人間の分析の深さとニュアンスを欠いていることが多い。
我々は、このギャップが人間のQDAの信頼性の欠如を反映していると主張している。
このプラクティスを LLM 支援 QDA に適用するために,重要なコーディングステップにピアデリフィングを構築するマルチエージェント QDA フレームワークである Agent-as-Peer-Debriefer を提案する。
我々のフレームワークでは、階層的コーディングエージェントが標準的なQDAプロセスに従ってコード、サブテーマ、テーマを生成し、自己説明やリフレクションメモを作成します。
そして、これらのアウトプットを3つのピア・ディブリーフィング・エージェントと共有し、それぞれが明確な分析的視点(理論駆動、データ駆動、あるいは適用)を適用し、コードを保持し、リネームし、再割り当てし、マージし、分割する。
これらの視点は、ドメインとデータセットをまたいで一般化する確立された人間のQDAプラクティスから導かれる。
このフレームワークを評価するために、3つのLLMを持つ2つのドメインにまたがる3つのデータセットでテストを行い、人間の注釈付きコードとのセマンティックな類似性を測定した。
すべての設定において、パースペクティブベースのピアデブリーフィングリファインメントは、単一LLMベースラインよりも人間のコードとより密に一致しており、アブレーションはさらに、追加のリファインメントによる利得を示している。
3つの視点は異なるトレードオフを生み出し、視点の選択が有意義で制御可能な設計決定であることを示している。
以上の結果から,より信頼性の高いLCM支援QDAへの道のりは,ピア・デブリーフィングを明示的な視点でシミュレートすることが示唆された。
関連論文リスト
- Code as Agent Harness [107.31925305395957]
新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。
コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。
この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
論文 参考訳（メタデータ） (2026-05-18T17:59:03Z) - Co-Refine: AI-Powered Tool Supporting Qualitative Analysis [6.199710730080277]
私たちはCo-RefineというAIで強化された定性的なコーディングプラットフォームを紹介します。
ステージ1は、数学的一貫性のための決定論的埋め込みベースのメトリクスを計算し、ステージ2は、決定論的スコアのpm0.15ドル以内でLCMの判定を下し、ステージ3は、以前のパターンからコード定義を生成し、より深いフィードバックループを作成する。
論文 参考訳（メタデータ） (2026-04-21T10:16:13Z) - MC-Search: Evaluating and Enhancing Multimodal Agentic Search with Structured Long Reasoning Chains [79.14584837105808]
MC-Searchは5つの代表的推論構造にまたがる長いステップワイドなアノテート推論チェーンを持つエージェントMM-RAGの最初のベンチマークである。
回答精度以外にも、MC-Searchは、品質、段階的検索、計画精度を推論するための新しいプロセスレベルメトリクスを導入している。
エージェントMM-RAGパイプラインを統一的に開発することにより、6つのMLLMをベンチマークし、過剰検索や過度検索、モダリティミスアライメント計画などの体系的な問題を明らかにする。
論文 参考訳（メタデータ） (2026-03-01T02:25:57Z) - Disagreement as Data: Reasoning Trace Analytics in Multi-Agent Systems [0.0]
本稿では,大規模言語モデル(LLM)エージェントが生成する推論トレースが,プロセスデータの新しいリッチな形式を構成することを提案する。
我々は、推論トレースにコサイン類似性を適用し、エージェント間の不一致を系統的に検出、定量化し、解釈する。
論文 参考訳（メタデータ） (2026-01-18T23:19:49Z) - A Survey of Vibe Coding with Large Language Models [93.88284590533242]
視覚符号化(Vibe Coding)は、開発者が成果観察を通じてAI生成の実装を検証する開発手法である。
変革の可能性にもかかわらず、この創発的パラダイムの有効性は未解明のままである。
この調査は、大規模な言語モデルによるVibe Codingの総合的かつ体系的なレビューを初めて提供する。
論文 参考訳（メタデータ） (2025-10-14T11:26:56Z) - CoDA: Agentic Systems for Collaborative Data Visualization [57.270599188947294]
深層研究はデータ分析に革命をもたらしたが、データサイエンティストは依然として手作業による視覚化にかなりの時間を費やしている。
単純なシングルエージェントシステムやマルチエージェントシステムを含む既存のアプローチは、しばしばタスクを単純化する。
本稿では,メタデータ分析,タスク計画,コード生成,自己回帰に特殊なLLMエージェントを利用するマルチエージェントシステムであるCoDAを紹介する。
論文 参考訳（メタデータ） (2025-10-03T17:30:16Z) - Illuminating LLM Coding Agents: Visual Analytics for Deeper Understanding and Enhancement [16.472150248814767]
我々は,コーディングエージェントの動作の検査を強化するために,視覚分析システムを導入する。
我々のシステムでは,ML科学者がエージェントの動作に関する構造化された理解を得ることが可能である。
論文 参考訳（メタデータ） (2025-08-18T01:17:11Z) - Data-to-Dashboard: Multi-Agent LLM Framework for Insightful Visualization in Enterprise Analytics [2.7933239275667545]
モジュール型LCMエージェントによるデータ・ダッシュボード・パイプラインの自動化を行うエージェントシステムを提案する。
既存のグラフシステムとは異なり、我々のフレームワークはビジネスアナリストの分析的推論プロセスをシミュレートする。
提案手法は, 評価指標の調整により, 洞察力, ドメイン関連性, 分析深度が向上したことを示す。
論文 参考訳（メタデータ） (2025-05-29T17:32:15Z) - IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。
エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。
最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
論文 参考訳（メタデータ） (2025-05-23T09:37:52Z) - Self-Agreement: A Framework for Fine-tuning Language Models to Find
Agreement among Diverse Opinions [1.6752182911522517]
自己集約(Self-Agreement)は、合意を自律的に見つけるための、大規模言語モデルを微調整するための新しいフレームワークである。
提案手法では,生成事前学習型トランスフォーマー3を用いて,質問データセットの各質問に対して複数の意見を生成する。
変換器ベースモデル(BERT)からの双方向エンコーダ表現は、一致スコアが最も高いものを選択する。
注目すべきは、我々のSelf-Agreementフレームワークによって微調整された事前学習LLMは、パラメータの1/25しか持たないGPT-3に匹敵する性能を達成することである。
論文 参考訳（メタデータ） (2023-05-19T06:27:16Z)
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。