論文の概要: Beyond expert users: agents should help users construct preferences, not just elicit them

• arxiv url: http://arxiv.org/abs/2606.30863v2
• Date: Wed, 01 Jul 2026 01:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 17:29:49.640856
• Title: Beyond expert users: agents should help users construct preferences, not just elicit them
• Title（参考訳）: 専門家のユーザー以外にも:エージェントはユーザーが好みを抽出するだけでなく、好みを作るのを助けるべきだ
• Authors: Irena Saracay, Ludwig Schmidt, Carlos Guestrin,
• Abstract要約: エージェントダイアログアクションに基づいた好み構築モデルであるCoPrefを紹介する。 CoShopでは、エージェントがCoPrefユーザと会話し、推奨する。 相互作用が5回あるにもかかわらず、CoShopの精度が56%を超えるエージェントは存在しない。
• 参考スコア（独自算出の注目度）: 31.382826707274685
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agents typically assume an expert user -- one with well-formed preferences about what they want -- and default to clarifying questions whenever the task is underspecified. We argue this assumption is unrealistic. Users often lack the domain knowledge to have completely specified preferences; if asked about their preference on some feature, the user may be unable to answer without the agent helping the user to learn some domain knowledge needed to form a preference for that feature, e.g., via examples or explanations. To formalize these principles, we draw on the Search-Experience-Credence framework from Information Economics to introduce CoPref, a model of how users construct preferences based on agent dialog actions. We then study these ideas concretely in agentic recommender systems, proposing CoShop, an interactive benchmark. In CoShop, an agent converses with and makes recommendations for a CoPref user. The agent's performance depends on whether it can help the user gain the knowledge needed to specify the task well. Evaluating five frontier models, we find that no agent exceeds 56% accuracy on CoShop despite five turns of interaction. Failures stem not from agents' ability to find items, but from how little the interaction expands what users know about what they want.
• Abstract（参考訳）: エージェントは通常、専門家のユーザ – 自分が望むものに対する好意が十分に整ったもの – を前提として、タスクが不明確でないときに質問を明確にする。 この仮定は非現実的だと主張する。 ある機能に対する好みについて尋ねられた場合、ユーザは、例や説明を通じて、その機能の好みを形成するのに必要なドメイン知識を学習するのを助けるエージェントなしでは、答えられません。 これらの原則を定式化するために,情報経済学の検索経験クレデンスフレームワークを用いて,エージェントダイアログアクションに基づいた好み構築モデルであるCoPrefを導入する。 次に、これらのアイデアをエージェントレコメンデータシステムで具体的に研究し、インタラクティブなベンチマークであるCoShopを提案する。 CoShopでは、エージェントがCoPrefユーザと会話し、推奨する。 エージェントのパフォーマンスは、ユーザがタスクを適切に特定するのに必要な知識を得るのに役立つかどうかに依存する。 5つのフロンティアモデルを評価すると、5ターンのインタラクションにもかかわらず、CoShopの精度が56%を超えるエージェントは存在しないことが分かる。 失敗は、エージェントがアイテムを見つける能力に起因するのではなく、インタラクションがいかに少ないかによって、ユーザが望むものについて知っていることを拡張する。

関連論文リスト

• KnowU-Bench: Towards Interactive, Proactive, and Personalized Mobile Agent Evaluation [72.01173512175531]
  KnowU-Benchはパーソナライズされたモバイルエージェントのためのオンラインベンチマークである。 42のGUIタスク、86のパーソナライズされたタスク、64のプロアクティブタスクをカバーしている。 明示的なタスク実行に優れるエージェントは、あいまいな指示の下で50%以下に低下する。
  論文  参考訳（メタデータ） (2026-04-09T16:50:50Z)
• Persona2Web: Benchmarking Personalized Web Agents for Contextual Reasoning with User History [8.085230376705887]
  Persona2Webは、実際のオープンウェブ上でパーソナライズされたWebエージェントを評価するための最初のベンチマークである。 1) 長期にわたる嗜好を暗黙的に明らかにするユーザ履歴,(2) 暗黙的な嗜好を推論するエージェントを必要とするあいまいなクエリ,(3) パーソナライゼーションのきめ細かい評価を可能にする推論対応評価フレームワークから構成される。
  論文  参考訳（メタデータ） (2026-02-19T01:54:26Z)
• Agentic Feedback Loop Modeling Improves Recommendation and User Simulation [55.857164472712455]
  本稿では,リコメンデーションエージェントとユーザエージェントの協調を支援するために,フィードバックループプロセスを強調する新しいフレームワークを提案する。 この反復的なプロセスは、両方のエージェントがユーザの振る舞いを推測する能力を高め、より効果的なアイテムレコメンデーションとより正確なユーザーシミュレーションを可能にします。
  論文  参考訳（メタデータ） (2024-10-26T00:51:39Z)
• Apollonion: Profile-centric Dialog Agent [9.657755354649048]
  本稿では,ユーザプロファイリング(初期化,更新)を組み込むダイアログエージェントのフレームワークを提案する。 本稿では,パーソナライズのための一連の評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-04-10T03:32:41Z)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)
• AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems [112.76941157194544]
  本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。 我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。 全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
  論文  参考訳（メタデータ） (2023-10-13T16:37:14Z)
• Relative Behavioral Attributes: Filling the Gap between Symbolic Goal Specification and Reward Learning from Human Preferences [19.70421486855437]
  非専門家のユーザは、エージェントの振る舞いの短いクリップよりも好みを表現することで、複雑な目的を表現できる。 相対的行動属性(Relative Behavioral Attributes)は、正確な目標仕様と、選好ラベルから純粋に学習する報奨の中間として機能する。 本稿では,順序付けられた行動クリップから任意の行動属性をエンコードできる2つの異なるパラメトリック手法を提案する。
  論文  参考訳（メタデータ） (2022-10-28T05:25:23Z)
• Towards customizable reinforcement learning agents: Enabling preference specification through online vocabulary expansion [25.053927377536905]
  本稿では,ユーザが理解する概念の観点で好みを指定できるシステムであるpreSCAを提案する。 Minecraft環境上でPreSCAを評価し,エージェントがユーザの好みに合うように効果的に利用できることを示す。
  論文  参考訳（メタデータ） (2022-10-27T00:54:14Z)

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。