論文の概要: From Perception to Action: Can UI Interventions Foster Sustainable LLM Chatbot

• arxiv url: http://arxiv.org/abs/2606.10861v1
• Date: Tue, 09 Jun 2026 13:39:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.524258
• Title: From Perception to Action: Can UI Interventions Foster Sustainable LLM Chatbot
• Title（参考訳）: 認識から行動へ:UIのインターベンションは持続可能なLLMチャットボットになるか
• Authors: Nitish Patkar, Pooja Rani, Jack Glässer, Simon Lüscher, Martin Kropp,
• Abstract要約: 本研究では,持続可能性を重視したユーザインタフェースの介入が,ユーザのエネルギー意識を高め,エネルギー責任を増すかを検討する。 我々は,3モードスイッチ(エネルギー効率,バランス,性能),レスポンス毎のエネルギーフィードバック,プレセッションエネルギー推定,利用メトリクスダッシュボード,エネルギー類似性を備えたプロトタイプを実装した。 ベースライン調査では、94.8%の回答者がAIエネルギーの使用に対する意識を少なくとも一部報告しているが、88.3%は実際の消費を誤算している。 環境への影響に関する懸念は高かったが、エネルギー使用量を減らすためのパフォーマンストレードオフを受け入れる意思を示したのは39.0%に過ぎなかった。
• 参考スコア（独自算出の注目度）: 2.930725408634743
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-powered chatbots are increasingly embedded in everyday workflows, raising sustainability concerns due to their energy use. Most mitigation strategies emphasize model or infrastructure efficiency, while the user-interface (UI) layer remains underexplored despite its potential to shape interaction behavior. We investigate whether sustainability-oriented UI interventions can increase users' energy awareness and encourage more energy-responsible chatbot use without reducing usability. We first conducted a baseline survey with 77 participants to assess awareness and receptiveness to intervention concepts. Guided by prior work on persuasive technology and choice architecture, we implemented a web-based chatbot prototype with a three-mode switch (Energy-efficient, Balanced, Performance), per-response energy feedback, pre-send energy estimates, a usage metrics dashboard, and energy analogies. We then evaluated the prototype in a five-day field study with 11 participants. In the baseline survey, 94.8% of respondents reported at least some awareness of AI energy use, yet 88.3% misestimated actual consumption. Although concern about environmental impact was high, only 39.0% indicated willingness to accept a performance trade-off for lower energy use. In the field study, Energy-efficient mode accounted for 55.8% of logged prompts, while 90.9% self-reported actively choosing Eco-mode when high accuracy was not required. Participants did not reduce prompt length, suggesting mode switching as the primary behavioral mechanism. Sustainability-oriented UI interventions can improve awareness and support more energy-responsible interaction patterns in LLM chatbots. These effects are best interpreted as behavioral and model-based estimates that complement backend efficiency work, and the provided prototype and replication package support further research on energy-aware conversational AI design.
• Abstract（参考訳）: LLMを利用したチャットボットは日常のワークフローにますます組み込まれており、そのエネルギー使用による持続可能性への懸念が高まっている。 ほとんどの緩和戦略はモデルやインフラの効率を重視しているが、ユーザーインターフェース(UI)層は相互作用の振る舞いを形作る可能性にもかかわらず、まだ探索されていない。 本研究では,サステナビリティ指向のUI介入がユーザのエネルギー意識を高め,ユーザビリティを損なうことなく,よりエネルギー責任の高いチャットボットの使用を促進するかどうかを検討する。 まず,77名の参加者を対象に,介入概念に対する意識と受容性を評価するベースライン調査を行った。 説得力のある技術と選択アーキテクチャに関する先行研究により、私たちは3モードのスイッチ(エネルギー効率、バランス、パフォーマンス)、レスポンス毎のエネルギーフィードバック、プレセッションエネルギー推定、利用メトリクスダッシュボード、エネルギーアナログを備えたWebベースのチャットボットプロトタイプを実装しました。 そして,11名の被験者を対象に5日間のフィールドスタディで試作品の評価を行った。 ベースライン調査では、94.8%の回答者がAIエネルギーの使用に対する意識を少なくとも一部報告しているが、88.3%は実際の消費を誤算している。 環境への影響に関する懸念は高かったが、エネルギー使用量を減らすためのパフォーマンストレードオフを受け入れる意思を示したのは39.0%に過ぎなかった。 フィールドスタディでは、エネルギー効率のモードは55.8%のプロンプトを記録、90.9%は高い精度でエコモードを選択した。 参加者は即時長を減らせず、モード切替を主要な行動機構として示唆した。 持続可能性指向のUI介入は、LLMチャットボットの認識を改善し、エネルギー責任のあるインタラクションパターンをサポートする。 これらの効果は、バックエンド効率を補完する行動的およびモデルベースの見積もりとして最もよく解釈され、提供されるプロトタイプと複製パッケージは、エネルギーを意識した会話型AI設計に関するさらなる研究をサポートする。

関連論文リスト

• EcoThink: A Green Adaptive Inference Framework for Sustainable and Accessible Agents [0.14323566945483493]
  EcoThinkは、高性能AIインテリジェンスと環境責任を調整します。 統計的に有意な性能損失を伴わずに、推論エネルギーを平均で40.4%削減する。 アルゴリズム廃棄物を緩和することにより、EcoThinkは持続可能な、包括的でエネルギー効率の良い生成AIエージェントへのスケーラブルなパスを提供する。
  論文  参考訳（メタデータ） (2026-03-26T14:37:46Z)
• Sustainable LLM Inference using Context-Aware Model Switching [0.9455980760111498]
  現在のAIデプロイメントにおける重要な制限は、ワンサイズフィットの推論戦略に依存していることだ。 本稿では,クエリの複雑さに基づいて適切な言語モデルを動的に選択するコンテキスト対応モデル切替手法を提案する。 実験結果から, モデルスイッチング方式は最大67.5%のエネルギー消費を抑えることができることがわかった。
  論文  参考訳（メタデータ） (2026-02-25T03:42:12Z)
• Active Zero: Self-Evolving Vision-Language Models through Active Environment Exploration [72.84714132070404]
  受動的相互作用から視覚環境の能動的探索に移行する枠組みを提案する。 Active-Zeroでは,3つの共進化エージェントが採用されている。 モデルの機能フロンティアに基づいて,オープンワールドリポジトリからイメージを取得する検索だ。 12ベンチマークにわたるQwen2.5-VL-7B-インストラクションについて : Active-Zero 53.97 における推論タスクの平均精度(5.7%の改善)と一般理解における 59.77 について(3.9%の改善)
  論文  参考訳（メタデータ） (2026-02-11T17:29:17Z)
• Towards Green AI: Decoding the Energy of LLM Inference in Software Development [46.879983975894135]
  AI支援ツールはソフトウェア開発にますます統合されているが、大きな言語モデル(LLM)に依存しているため、相当な計算とエネルギーコストが伴う。 モデルが入力を処理して内部表現を構築した(1)プリフィルと,(2)デコードで格納された状態を用いて出力トークンを生成する(2)プリフィルとを区別し,LCM推定エネルギー消費の位相レベル解析を行う。
  論文  参考訳（メタデータ） (2026-02-05T14:38:19Z)
• EgoAdapt: Adaptive Multisensory Distillation and Policy Learning for Efficient Egocentric Perception [59.93605371289108]
  EgoAdaptは、エゴセントリックな知覚タスク間で効率的な推論を可能にするために、クロスモーダル蒸留とポリシー学習を適応的に行うフレームワークである。 その結果、EgoAdaptは効率を大幅に向上し、GMACを89.09%、パラメータを82.02%、エネルギーを9.6倍に削減した。
  論文  参考訳（メタデータ） (2025-06-26T08:09:16Z)
• Edge-Optimized Deep Learning & Pattern Recognition Techniques for Non-Intrusive Load Monitoring of Energy Time Series [0.0]
  非侵入負荷モニタリング(NILM)は、家電レベルのデータに家庭のエネルギー使用量を分散することで、有望なソリューションを提供する。 現在のデータセットは、主に米国や英国のような地域を表しており、地中海のような地域は、あまり表現されていない。 この論文は、これらの問題に重要な貢献で取り組みます。
  論文  参考訳（メタデータ） (2025-05-07T12:38:54Z)
• From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate [69.05573887799203]
  これらの2次の影響を理解するには、ライフサイクルアセスメントと社会経済分析を組み合わせた学際的アプローチが必要であると論じる。 AIの真の気候フットプリントを誤って表現し、意味のある介入の範囲を制限している、と我々は主張する。
  論文  参考訳（メタデータ） (2025-01-27T22:45:06Z)
• On the Effectiveness of Microservices Tactics and Patterns to Reduce Energy Consumption: An Experimental Study on Trade-Offs [3.928499292698212]
  マイクロサービスベースのシステムは、ソフトウェア産業に定着しています。 持続可能性に関する法律とエネルギー消費ソフトウェアのコストの増大は、これらのシステムにおけるエネルギー効率の重要性を高めます。 アーキテクチャの戦術やパターンについてはいくつかの提案があるが、その効果と、他の品質特性(QA)に関する潜在的なトレードオフは、まだ不明である。
  論文  参考訳（メタデータ） (2025-01-24T11:15:23Z)
• Double-Exponential Increases in Inference Energy: The Cost of the Race for Accuracy [3.6731536660959985]
  コンピュータビジョンにおけるディープラーニングモデルは、エネルギー消費と持続可能性に対する懸念を増大させる。 1200画像ネット分類モデルの推定エネルギー消費の包括的分析を行う。 我々は、エネルギー消費に寄与する重要な要因を特定し、エネルギー効率を向上させる方法を示す。
  論文  参考訳（メタデータ） (2024-12-12T21:44:08Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。