論文の概要: Neither Replacement nor Panacea: Comparing LLM-Based Conversational and Graphical Decision Support in Industrial Tasks

• arxiv url: http://arxiv.org/abs/2605.31287v1
• Date: Fri, 29 May 2026 13:22:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.631672
• Title: Neither Replacement nor Panacea: Comparing LLM-Based Conversational and Graphical Decision Support in Industrial Tasks
• Title（参考訳）: 置き換えもパナセアも:産業課題におけるLLMに基づく会話型・図形的意思決定支援の比較
• Abstract要約: 対話型ユーザインタフェース(CUI)を介してアクセスされるLarge Language Model(LLM)ベースの会話エージェント(CA) 本研究は、LCMベースのCAがCUIを介して提供され、製造決定支援シナリオにおけるダッシュボードと比較する。 心的作業負荷 (MWL) , 意思決定精度, 完了時間, 意図した依存度について検討し, モデレーターとしての自己報告型データリテラシーを検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Managers in manufacturing settings rely on digital interfaces to interpret operational data for decision-making, but growing data volume and complexity can make relevant insights difficult to identify efficiently. While dashboards remain dominant in industrial contexts, Large Language Model (LLM)-based conversational agents (CAs), accessed through conversational user interfaces (CUIs), may provide more direct access to such data. However, their effectiveness may depend on the information-processing demands of the task. This study compares an LLM-based CA delivered through a CUI with a dashboard in a manufacturing decision-support scenario. In a mixed factorial experiment with a 2x3 design, 134 industrial decision-makers were assigned to one interface condition and completed three tasks of increasing complexity. We examined perceived Mental Workload (MWL), decision accuracy, completion time, and intended reliance, and tested self-reported data literacy as a moderator. Results showed that the CUI reduced perceived MWL overall and supported faster completion in less demanding tasks, but both advantages diminished as task complexity increased. Neither interface produced a consistent overall advantage in decision accuracy, and the CUI was not preferred as a sole basis for subsequent decisions. Furthermore, data literacy did not reliably moderate interface effects. These findings indicate that conversational interaction offers conditional rather than universal benefits for industrial decision support. LLM-based CAs may reduce information-access effort, whereas complex decisions continue to benefit from persistent, inspectable visual representations.
• Abstract（参考訳）: 製造環境のマネージャは、意思決定のために運用データを解釈するデジタルインターフェースに依存していますが、データ量と複雑さの増大は、関連した洞察を効果的に特定することを困難にします。 ダッシュボードは産業的な文脈で支配的であるが、Large Language Model(LLM)ベースの会話エージェント(CA)は会話ユーザーインターフェース(CUI)を介してアクセスされ、そのようなデータへのより直接的なアクセスを提供する。 しかし、その効果はタスクの情報処理要求に依存する可能性がある。 本研究は、LCMベースのCAがCUIを介して提供され、製造決定支援シナリオにおけるダッシュボードと比較する。 2x3設計の混合要因実験では、134人の工業的意思決定者が1つのインターフェース条件に割り当てられ、複雑さを増す3つのタスクを完了した。 心的作業負荷 (MWL) , 意思決定精度, 完了時間, 意図した依存度について検討し, モデレーターとしての自己報告型データリテラシーを検証した。 その結果、CUIは全体的なMWLの認識を減らし、要求の少ないタスクでより高速な完了をサポートしたが、タスクの複雑さが増すにつれて両者の利点は低下した。 どちらのインターフェースも決定精度において一貫した全体的な優位性を持たず、CUIは後の決定の唯一の基盤として好まれなかった。 さらに、データリテラシーは、インターフェース効果を確実に弱めなかった。 これらの結果から,対話的相互作用は,産業的意思決定支援の普遍的利益よりも条件付きであることが示唆された。 LLMベースのCAは情報アクセスの労力を減らす可能性があるが、複雑な決定は永続的で検査可能な視覚表現の恩恵を受け続けている。

関連論文リスト

• Comparing LLM-Based Conversational and Graphical Interfaces for Industrial Decision Tasks: An Exploratory Mixed-Methods Study [0.0]
  本研究では,最先端のダッシュボードと対話エージェントを比較した。 この結果から,対話エージェントは情報へのより直接的なアクセスを支援することにより,インタラクションの労力を削減できることが示唆された。 しかし、これらの利点はタスクによって異なり、より大規模な研究による検証が必要である。
  論文  参考訳（メタデータ） (2026-05-29T12:27:39Z)
• Ask, Clarify, Optimize: Human-LLM Agent Collaboration for Smarter Inventory Control [11.796330722859574]
  エンド・ツー・エンドの問題解決者としてのLLMの導入は,有意義な「ハロシン化税」を課していることを示す。 本稿では,数学的計算から意味論的推論を厳密に分離するハイブリッドエージェントフレームワークを提案する。 本研究は, LLMを, 厳密な解法ベースのポリシーを非専門家に利用できるようにする自然言語インタフェースとして位置づけた。
  論文  参考訳（メタデータ） (2025-12-31T21:45:54Z)
• An Agentic Framework with LLMs for Solving Complex Vehicle Routing Problems [66.60904891478687]
  複雑な車両ルーティング問題を解決するために,LLM (AFL) を用いたエージェントフレームワークを提案する。 AFLは生の入力から知識を直接抽出し、自己完結型コード生成を可能にする。 AFLは、コード信頼性とソリューション実現性の両方において、既存のLCMベースのベースラインを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2025-10-19T03:59:25Z)
• ORMind: A Cognitive-Inspired End-to-End Reasoning Framework for Operations Research [56.961539386979354]
  ORMindは認知にインスパイアされたフレームワークで、反ファクト推論を通じて最適化を強化する。 提案手法は,要求を数学的モデルや実行可能なコードに変換するエンド・ツー・エンドのワークフローを実装し,人間の認識をエミュレートする。 現在はLenovoのAIアシスタントで内部でテストされており、ビジネスとコンシューマの両方の最適化機能を強化する予定である。
  論文  参考訳（メタデータ） (2025-06-02T05:11:21Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• Retrieval-Based Interleaved Visual Chain-of-Thought in Real-World Driving Scenarios [69.00444996464662]
  RIV-CoT(Retrieval-based Interleaved Visual Chain-of-Thought法)を提案する。 実験の結果, RIV-CoTの解答精度は3.1%向上し, バニラCoTの解答精度は4.6%向上した。
  論文  参考訳（メタデータ） (2025-01-08T18:31:16Z)
• Federated Fine-Tuning of LLMs: Framework Comparison and Research Directions [59.5243730853157]
  Federated Learning(FL)は、分散プライベートデータセットを使用して、トレーニング済みの大規模言語モデル(LLM)を微調整するための、プライバシ保護ソリューションを提供する。 本稿では、知識蒸留(KD)とスプリットラーニング(SL)を統合し、これらの問題を緩和する3つの先進的連合LLM(FedLLM)フレームワークの比較分析を行う。
  論文  参考訳（メタデータ） (2025-01-08T11:37:06Z)
• KBM: Delineating Knowledge Boundary for Adaptive Retrieval in Large Language Models [69.99274367773997]
  大規模言語モデル(LLM)は知識を動的に変化させ、未知の静的情報を扱うのにしばしば苦労する。 Retrieval-Augmented Generation (RAG) はこれらの課題に対処するために使われ、LLMの性能向上に大きな影響を与えている。 本稿では,ある質問の既知/未知を表現し,RAGを起動する必要があるかどうかを判断するための知識境界モデル(KBM)を提案する。
  論文  参考訳（メタデータ） (2024-11-09T15:12:28Z)
• Making Large Language Models Better Planners with Reasoning-Decision Alignment [70.5381163219608]
  マルチモーダリティ強化LLMに基づくエンドツーエンド意思決定モデルを提案する。 ペア化されたCoTと計画結果との推論・決定アライメントの制約を提案する。 提案する大規模言語プランナをRDA-Driverとして推論・決定アライメントする。
  論文  参考訳（メタデータ） (2024-08-25T16:43:47Z)
• LLM4Causal: Democratized Causal Tools for Everyone via Large Language Model [7.052058110182703]
  大きな言語モデル(LLM)は、言語理解と一般的なトピックの推論で成功していることを示している。 LLMをLLM4Causalに微調整することで、因果タスクを識別し、対応する関数を実行し、ユーザのクエリと提供されたデータセットに基づいてその数値結果を解釈できる可能性を探る。
  論文  参考訳（メタデータ） (2023-12-28T16:59:06Z)
• O3D: Offline Data-driven Discovery and Distillation for Sequential Decision-Making with Large Language Models [16.91329676173649]
  大規模言語モデル(LLM)を改善するために,オフラインデータ駆動型ディスカバリ・蒸留(O3D)を提案する。 O3Dは、再利用可能なスキルを自動的に発見し、オフラインインタラクションデータに基づいて、複数のタスクにまたがる一般化可能な知識を蒸留する。 2つの対話型意思決定ベンチマーク (ALFWorld と WebShop) による実証結果から,O3D が LLM の意思決定能力を著しく向上できることが確認された。
  論文  参考訳（メタデータ） (2023-10-22T20:28:33Z)

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。