論文の概要: From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration

• arxiv url: http://arxiv.org/abs/2605.29675v1
• Date: Thu, 28 May 2026 09:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.147194
• Title: From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration
• Title（参考訳）: PromptsからContextへ:人間生成AIコラボレーションのためのオントロジー駆動フレームワーク
• Authors: Ngoc Luyen Le, Marie-Hélène Abel, Bertrand Laforge,
• Abstract要約: 本稿では,人間生成AIコラボレーションを表現するオントロジー駆動型フレームワークを提案する。 その中核となるコンポーネントであるContextual Collaboration AI Ontologyは、コラボレーションの重要な要素を、共有機械解釈可能な語彙としてモデル化している。 我々は、要求分析、設計、実装、そしてテストの間で、このフレームワークがコラボレーションエピソードの表現とドキュメントをどのようにサポートするかを示す。
• 参考スコア（独自算出の注目度）: 26.702635306128865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborations with Generative AI often begin with a short prompt and end with an opaque output, leaving implicit who was involved, what task was being pursued, which resources were used, and which constraints should have shaped the process. This limited contextual explicitness hinders trust, traceability, and accountability, particularly when Generative AI is embedded in information-intensive workflows such as search, querying, and profile management. This paper introduces From Prompts to Context, an ontology-driven framework for representing Human-Generative AI collaboration. Its core component, the Contextual Collaboration AI Ontology (CCAI), models key elements of collaboration - including tasks, agent roles, resources, and constraints - as a shared machine-interpretable vocabulary. By combining populated CCAI instances with SPARQL-based context retrieval in operational workflows, the framework turns otherwise ephemeral prompt-response interactions into structured and queryable collaboration traces linking prompts, outputs, and their surrounding context. The approach is illustrated through a case study involving a software development team building a competency-based education feature for viewing and updating learner competency profiles. The case study shows how the framework can support the representation and documentation of collaboration episodes across requirements analysis, design, implementation, and testing. Within this setting, the results indicate that explicit collaboration modelling helps make task context more explicit, improves the traceability of AI-generated contributions, and supports more transparent and accountable Human-Generative AI practices. We conclude by outlining design principles for future Human-Generative AI systems that emphasise not only output quality, but also the explicit representation of the collaborative context in which outputs are produced.
• Abstract（参考訳）: Generative AIとのコラボレーションは、しばしば短いプロンプトから始まり、不透明なアウトプットで終わる。 この限定された文脈的明示性は、信頼性、トレーサビリティ、説明責任を妨げ、特にジェネレーティブAIが検索、クエリ、プロファイル管理といった情報集約型ワークフローに埋め込まれている場合である。 本稿では,人間生成AIコラボレーションを表現するオントロジー駆動型フレームワークであるFrom Prompts to Contextを紹介する。 コアコンポーネントであるCCAI(Contextual Collaboration AI Ontology)は、タスク、エージェントロール、リソース、制約など、コラボレーションの重要な要素を、機械解釈可能な共通語彙としてモデル化する。 集約されたCCAIインスタンスとSPARQLベースのコンテキスト検索を運用ワークフローで組み合わせることで、フレームワークは短命に応答するインタラクションを構造化されたクエリ可能なコラボレーショントレースに変換し、プロンプト、アウトプット、周辺コンテキストをリンクする。 このアプローチは、学習者の能力プロファイルを閲覧および更新するための能力ベースの教育機能を構築するソフトウェア開発チームによるケーススタディを通じて説明される。 このケーススタディは、フレームワークが要求分析、設計、実装、テストにわたるコラボレーションエピソードの表現とドキュメントをどのようにサポートするかを示しています。 この設定内では、明示的なコラボレーションモデリングがタスクコンテキストをより明確化し、AI生成したコントリビューションのトレーサビリティを改善し、より透明で説明可能なヒューマン生成AIプラクティスをサポートすることを示す。 アウトプットの品質だけでなく、アウトプットが生成されるコラボレーティブコンテキストの明示的な表現も重視する、将来のヒューマンジェネクティブAIシステムの設計原則を概説することで、我々は結論づける。

関連論文リスト

• Mise en Place for Agentic Coding: Deliberate Preparation as Context Engineering Methodology [0.0]
  AIコーディングエージェントの急速な採用は、意図的な準備よりも実装のスピードを優先する、支配的なワークフローパターンを生み出した。 本稿では,エージェントコーディングのための3段階準備手法を提案する。 競合ハッカソンにおけるMEPの適用について報告し,約2時間の準備により,同時AIエージェントによるフルスタック教育プラットフォームの迅速な実装が可能となった。
  論文  参考訳（メタデータ） (2026-05-06T19:33:08Z)
• Inspectable AI for Science: A Research Object Approach to Generative AI Governance [35.790980610679384]
  研究対象としてのAI(AI-RO)について紹介する。 AIが著者なのか単なるツールなのかを議論する代わりに、我々はAIインタラクションを研究プロセスの構造化された検査可能なコンポーネントとして扱うことを提案する。
  論文  参考訳（メタデータ） (2026-04-13T10:13:20Z)
• SHAPR: Operationalising Human-AI Collaborative Research Through Structured Knowledge Generation [0.0]
  SHAPRは、人間中心の意思決定とAI支援機能を統合する研究ソフトウェア開発のためのフレームワークである。 本稿では,AIを活用した研究実践における構造的,トレース可能,知識生成的アプローチとしての運用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-03-26T17:14:39Z)
• Synergizing Understanding and Generation with Interleaved Analyzing-Drafting Thinking [154.2388970262703]
  Unified Vision-Language Models (UVLM) は、単一のフレームワーク内での理解と生成の両方をサポートすることで、マルチモーダル学習を促進することを目的としている。 本稿では,解析処理と起案処理を交互に行う新たな思考パラダイムである,インターリーブド・アナライジング・ドレイティング問題解決ループ(AD-Loop)を紹介する。 テキスト思考を視覚的思考とインターリーブすることで、AD-Loopはモデルが理解と出力の両方を反復的に洗練し、真のシナジーを育むことができる。
  論文  参考訳（メタデータ） (2026-02-24T23:26:09Z)
• ContextNav: Towards Agentic Multimodal In-Context Learning [85.05420047017513]
  ContextNavは、自動検索のスケーラビリティと人間のようなキュレーションの品質と適応性を統合するエージェントフレームワークである。 リソースを意識したマルチモーダル埋め込みパイプラインを構築し、検索可能なベクトルデータベースを維持し、エージェント検索と構造アライメントを適用して、ノイズ耐性のあるコンテキストを構築する。 実験の結果、ContextNavはさまざまなデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-10-06T07:49:52Z)
• Evaluations at Work: Measuring the Capabilities of GenAI in Use [28.124088786766965]
  現在のAIベンチマークは、人間とAIのコラボレーションの混乱したマルチターンの性質を見逃している。 実世界のタスクを相互依存サブタスクに分解する評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-15T23:06:23Z)
• Learning Task Representations from In-Context Learning [67.66042137487287]
  大規模言語モデル(LLM)は、文脈内学習(ICL)において顕著な習熟性を示した。 ICLプロンプトにおけるタスク情報をアテンションヘッドの関数として符号化するための自動定式化を導入する。 提案手法は,テキスト中の実演からタスク固有の情報を抽出し,テキストと回帰タスクの両方で優れる。
  論文  参考訳（メタデータ） (2025-02-08T00:16:44Z)
• Towards More Unified In-context Visual Understanding [74.55332581979292]
  マルチモーダル出力を有効にした視覚理解のための新しいICLフレームワークを提案する。 まず、テキストと視覚的プロンプトの両方を量子化し、統一された表現空間に埋め込む。 次にデコーダのみのスパーストランスアーキテクチャを用いて生成モデリングを行う。
  論文  参考訳（メタデータ） (2023-12-05T06:02:21Z)
• A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
  エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。 このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-04-04T14:59:32Z)

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。