論文の概要: Adopt $\neq$ Adapt: Longitudinal Analyses of LLM Conversations in the Wild

• arxiv url: http://arxiv.org/abs/2605.29018v1
• Date: Wed, 27 May 2026 19:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.33933
• Title: Adopt $\neq$ Adapt: Longitudinal Analyses of LLM Conversations in the Wild
• Title（参考訳）: Adopt $\neq$ Adapt: 野生におけるLLM会話の縦断解析
• Authors: Rebecca M. M. Hicke, Kiran Tomlinson,
• Abstract要約: 我々は、Microsoft Bing Copilotユーザをランダムにサンプリングした$sim$12,000の会話軌跡を分析した。 個々のユーザトラジェクトリの傾向は,はるかに弱いことが分かりました。 よりアクティブなユーザは会話をより成功させ、より複雑でプロフェッショナル指向のタスクにLLMを使用する。
• 参考スコア（独自算出の注目度）: 5.263910852465185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although a growing body of research has begun to describe user--LLM interactions, the picture it paints is largely static; little is known about how individual users change their behavior over time. To address this gap, we analyze the conversational trajectories of $\sim$12,000 randomly sampled Microsoft Bing Copilot users and compare these with data from WildChat-4.8M. While the Copilot data contains significant population-level trends, we find that trends in individual user trajectories are much weaker; user habits prove to be overwhelmingly sticky. We also find stark differences between users of different activity levels: more active users have more successful conversations and use the LLM for more complex and professionally oriented tasks. Some user trends also appear in WildChat-4.8M, but we find evidence that this dataset is significantly skewed towards highly proficient "power" users. Ultimately, our results suggest that existing user behavior is difficult to change and demonstrate the extent of user heterogeneity. Our comparison between datasets highlights that WildChat does not represent typical user-AI interactions, an important caveat for downstream uses of the data.
• Abstract（参考訳）: ユーザとLLMのインタラクションを解説する研究団体が増えているが、その絵はほとんど静的であり、個々のユーザが時間とともに行動を変える方法についてはほとんど分かっていない。 このギャップに対処するために、Microsoft Bing Copilotユーザをランダムにサンプリングした$\sim$12,000の会話軌跡を分析し、WildChat-4.8Mのデータと比較する。 Copilotのデータには、人口レベルの大きなトレンドが含まれているが、個々のユーザートラジェクトリの傾向はずっと弱い。 アクティブなユーザが増えれば、会話がより成功し、LLMがより複雑でプロフェッショナル指向のタスクに使用されるようになります。 WildChat-4.8Mにもいくつかのユーザトレンドが現れるが、このデータセットが高度に熟練した"パワー"ユーザに対して著しく歪んでいる証拠が見つかった。 結果から,既存ユーザの行動は変化が困難であり,ユーザ不均一性の程度を示すことが示唆された。 データセットの比較では、WildChatが典型的なユーザとAIのインタラクションを表現していないことが強調されています。

関連論文リスト

• Priming, Path-dependence, and Plasticity: Understanding the molding of user-LLM interaction and its implications from (many) chat logs in the wild [14.896858577447093]
  この研究は、大規模チャットログを通じて現実世界のユーザ-LLMインタラクションを研究するための新しいアプローチを探究する。 タスクが多様であるにもかかわらず、ユーザ表現において重要なパターンを示す。
  論文  参考訳（メタデータ） (2026-05-07T07:00:25Z)
• Learning Next Action Predictors from Human-Computer Interaction [53.41504288073184]
  LongNAPは、パラメトリックとコンテキスト内学習を組み合わせて、長時間のインタラクション履歴を推論するユーザモデルである。 当社は、20ユーザーから1ヶ月の連続電話使用で360K以上のアクションをラベル付けし、1,800時間のスクリーンタイムを提供しています。 LongNAPは教師付き微調整を著しく上回り、ホールドアウトデータにベースラインを誘導する。
  論文  参考訳（メタデータ） (2026-03-06T05:31:04Z)
• User Feedback in Human-LLM Dialogues: A Lens to Understand Users But Noisy as a Learning Signal [59.120335322495436]
  ユーザ-LLM会話ログのユーザフィードバックを分析し、そのようなフィードバックの発生時期と理由について考察する。 第2に、このような暗黙のユーザフィードバックから学習信号を抽出することについて研究する。
  論文  参考訳（メタデータ） (2025-07-30T23:33:29Z)
• Prototypical Human-AI Collaboration Behaviors from LLM-Assisted Writing in the Wild [10.23533525266164]
  大規模言語モデル(LLM)は、複雑な記述において、ニーズに合うように世代を操るために使用される。 本研究では,タスク作成に携わるユーザを対象に,この協調行動の大規模分析を行う。 そこで本研究では,LLMとユーザが対話する際の特徴的行動の同定を行った。
  論文  参考訳（メタデータ） (2025-05-21T21:13:01Z)
• 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)
• Mind the Gap! Static and Interactive Evaluations of Large Audio Models [55.87220295533817]
  大型オーディオモデル(LAM)は、音声ネイティブな体験をパワーアップするために設計されている。 本研究は,484名の参加者から,LAMを評価し,7,500名のLAMインタラクションを収集する対話的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-21T20:29:02Z)
• WildChat: 1M ChatGPT Interaction Logs in the Wild [88.05964311416717]
  WildChatは100万件のユーザー・チャットGPT会話のコーパスで、250万回以上のインタラクション・ターンで構成されている。 タイムスタンプによるチャットの書き起こしに加えて、州、国、ハッシュIPアドレスを含む人口統計データでデータセットを豊かにします。
  論文  参考訳（メタデータ） (2024-05-02T17:00:02Z)

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。