論文の概要: AInterviewer: A Platform for Designing and Conducting AI-led Qualitative Interviews

• arxiv url: http://arxiv.org/abs/2606.20588v1
• Date: Fri, 15 May 2026 10:21:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 19:19:28.208612
• Title: AInterviewer: A Platform for Designing and Conducting AI-led Qualitative Interviews
• Title（参考訳）: AInterviewer: AIによる質的なインタビューの設計と実施のためのプラットフォーム
• Abstract要約: 我々はAInterviewerプラットフォームを紹介した。これはマルチエージェントパイプラインに基づくオープンソースのソリューションで、調査ソフトウェアの制御された質問管理とLarge Language Models(LLM)の柔軟性を組み合わせたものである。 AInterviewerは、社会科学における質的な面接のベストプラクティスを実装するために設計された学際的な取り組みである。
• 参考スコア（独自算出の注目度）: 9.993423829660127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There are now multiple proposals for systems based on Large Language Models (LLMs) to conduct automated qualitative interviews, but most of the current solutions rely on proprietary LLMs, which compromises reproducibility and data security. They also rely on LLMs for all interview tasks, which limits standardisation of question wording as well as control over question order. To address these issues, we introduce the AInterviewer platform, an opensource solution based on a multi-agent pipeline that combines controlled question administration of survey software with the flexibility of LLMs. AInterviewer is an interdisciplinary effort designed to implement best practices of qualitative interviewing in social science, and it can run with locally hosted models to ensure security, transparency, and reproducibility. Our platform provides a web-based GUI supporting each phase of data collection: from interview guide design and pilot testing to interview distribution and data collection monitoring.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づく自動質的なインタビューを行うシステムの提案が複数存在するが、現在のソリューションのほとんどは、再現性とデータセキュリティを損なうプロプライエタリなLCMに依存している。 また、質問文の標準化を制限し、質問順の制御を制限している全てのインタビュータスクのLLMにも依存している。 これらの問題に対処するために,調査ソフトウェアの制御された質問管理とLLMの柔軟性を組み合わせたマルチエージェントパイプラインに基づくオープンソースソリューションであるAInterviewerプラットフォームを紹介した。 AInterviewerは、社会科学における質的な面接のベストプラクティスを実装するために設計された学際的な取り組みであり、セキュリティ、透明性、再現性を保証するために、ローカルにホストされたモデルで実行することができる。 本プラットフォームは,インタビューガイド設計からパイロットテスト,インタビュー配布,データ収集監視に至るまで,データ収集の各フェーズをサポートするWebベースのGUIを提供する。

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)
• SparkMe: Adaptive Semi-Structured Interviewing for Qualitative Insight Discovery [55.50580661343875]
  本稿では,対話のロールアウトをシミュレートして検討計画を実行するマルチエージェントインタビュアーSparkMeを紹介する。 LLMベースの面接者による制御実験を通じてSparkMeを評価し,より高い面接性を実現することを示す。 7つの専門職の70人の参加者が、AIが専門職に与える影響について、SparkMeをユーザスタディで検証しています。
  論文  参考訳（メタデータ） (2026-02-24T17:33:02Z)
• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• Requirements Elicitation Follow-Up Question Generation [0.5120567378386615]
  大規模言語モデル(LLM)は、複数の自然言語処理タスクにおいて最先端のパフォーマンスを示す。 本研究は,GPT-4oを要件適用時のフォローアップインタビューに応用することを検討した。
  論文  参考訳（メタデータ） (2025-07-03T17:59:04Z)
• VLM Q-Learning: Aligning Vision-Language Models for Interactive Decision-Making [45.02997774119763]
  視覚言語モデル(VLM)は、大規模言語モデル(LLM)をマルチモーダルデータに拡張する。 我々の研究は、オフラインからオンラインへの強化学習(RL)の観点から、これらの課題にアプローチする。
  論文  参考訳（メタデータ） (2025-05-06T04:51:57Z)
• A Survey of Large Language Model Agents for Question Answering [0.7416846035207727]
  本稿では,大規模言語モデル(LLM)に基づく質問応答エージェント(QA)の開発について検討する。 従来のエージェントは、大量のデータ要件や、新しい環境への一般化の難しさなど、重大な制限に直面している。 LLMベースのエージェントは、LLMをコア推論エンジンとして活用することで、これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-03-24T23:39:44Z)
• 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)
• LLM-as-an-Interviewer: Beyond Static Testing Through Dynamic LLM Evaluation [24.103034843158717]
  LLM-as-an-Interviewerは,大規模言語モデル(LLM)を評価するための新しいパラダイムである。 このアプローチはマルチターンインタラクションを活用し、インタビュアーは応答に対するフィードバックを積極的に提供し、評価されたLCMにフォローアップ質問を提示する。 このフレームワークを用いてMATHとDepthQAタスクの6つのモデルを評価する。
  論文  参考訳（メタデータ） (2024-12-10T15:00:32Z)
• NewsInterview: a Dataset and a Playground to Evaluate LLMs' Ground Gap via Informational Interviews [65.35458530702442]
  我々はジャーナリストのインタビューに焦点をあて、コミュニケーションの基盤と豊富なデータに富んだドメインに焦点をあてる。 我々はNPRとCNNから4万人の2人によるインフォメーションインタビューのデータセットをキュレートする。 LLMは、人間のインタビュアーよりも、認識を使い、より高いレベルの質問に目を向ける可能性がはるかに低い。
  論文  参考訳（メタデータ） (2024-11-21T01:37:38Z)
• AutoBench-V: Can Large Vision-Language Models Benchmark Themselves? [65.92331309449015]
  本稿では,モデル能力の特定の側面に基づいてLVLMをベンチマークする,オンデマンドで評価を行う自動フレームワークであるAutoBench-Vを紹介する。 5つの要求されたユーザ入力に対して9つの人気のあるLVLMを広範囲に評価することにより、このフレームワークの有効性と信頼性を示す。
  論文  参考訳（メタデータ） (2024-10-28T17:55:08Z)
• ELOQ: Resources for Enhancing LLM Detection of Out-of-Scope Questions [52.33835101586687]
  本研究では,検索した文書が意味的に類似しているように見えるスコープ外質問について検討するが,答えるために必要な情報がない。 本稿では,閉経後の文書から多様なスコープ外質問を自動的に生成するための,幻覚に基づくELOQを提案する。
  論文  参考訳（メタデータ） (2024-10-18T16:11:29Z)
• Multi-LLM QA with Embodied Exploration [55.581423861790945]
  未知環境における質問応答におけるマルチエンボディードLEMエクスプローラ(MELE)の利用について検討する。 複数のLSMベースのエージェントが独立して家庭用環境に関する質問を探索し、回答する。 各問合せに対して1つの最終回答を生成するために,異なるアグリゲーション手法を解析する。
  論文  参考訳（メタデータ） (2024-06-16T12:46:40Z)
• Language Models as a Service: Overview of a New Paradigm and its Challenges [47.75762014254756]
  現在最も強力な言語モデルはプロプライエタリなシステムであり、(典型的には制限のある)Webやプログラミングでのみアクセス可能である。 本稿では,LMインタフェースのアクセシビリティ,複製性,信頼性,信頼性の障害となる課題について述べる。 一方で、現在のメジャーなLMに関する既存の知識の総合的なリソースとして機能し、インターフェースが提供するライセンスと機能の概要を総合的に提供する。
  論文  参考訳（メタデータ） (2023-09-28T16:29:52Z)

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。