論文の概要: ExPerT: Personalizing LLM Responses to Users' Domain Expertise via Query-Wise Semantic and Keystroke Behavioral Cues

• arxiv url: http://arxiv.org/abs/2607.01242v1
• Date: Mon, 04 May 2026 13:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.974727
• Title: ExPerT: Personalizing LLM Responses to Users' Domain Expertise via Query-Wise Semantic and Keystroke Behavioral Cues
• Title（参考訳）: ExPerT:クエリワイズセマンティックおよびキーストローク行動キューによるユーザドメインエキスパートに対するLLM応答のパーソナライズ
• Abstract要約: ユーザのクエリドメインの専門知識に応じて,大規模言語モデルの応答を適応するクエリワイドパーソナライズフレームワークであるExPerTを提案する。 ExPerTは2つの重要なコンポーネントで構成されている。 (i) クエリテキストとキーストロークダイナミクスを共同で解釈するセマンティックビヘイビアな専門知識推論モジュール。 参加者40名とクエリ1270名によるユーザスタディでは,ExPerTが最強のベースラインと比較して,専門的推測誤差を65.7%削減した。
• 参考スコア（独自算出の注目度）: 6.879311587283136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly used by end users, yet existing personalization methods relying on static profiles or text-only signals fail to capture query-specific expertise variation. We present ExPerT, a query-wise personalization framework that adapts LLM responses to users' query domain expertise by combining semantic and behavioral cues. ExPerT consists of two key components: (i) a semantic-behavioral expertise inference module that jointly interprets query text and keystroke dynamics via in-context LLM prompting, and (ii) an expertise-conditioned response generation that adapts the level of detail, terminology, and conceptual complexity. Our user study with 40 participants and 1270 queries demonstrated that ExPerT reduced expertise inference error by 65.7% compared to the strongest baseline (MAE = 0.398 vs. 1.162) and improved response satisfaction by 17.52% (from 3.71 to 4.36) on a 5-point Likert scale.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、エンドユーザーによってますます使われるようになっているが、静的プロファイルやテキストのみの信号に依存する既存のパーソナライズ手法では、クエリ固有の専門知識の変化を捉えることができない。 本稿では,クエリドメインの専門知識にLLM応答を適応させるクエリワイドパーソナライズフレームワークであるExPerTを紹介する。 ExPerTは2つの重要なコンポーネントから構成される。 (i)クエリテキストとキーストロークダイナミクスをインテキストLPMプロンプトを介して共同で解釈するセマンティックビヘイビア専門推論モジュール (II)詳細、用語、概念的複雑さのレベルに適応する専門性条件付き応答生成。 参加者40名,クエリ1270名を対象にしたユーザスタディにより,ExPerTは最強ベースライン(MAE=0.398 vs. 1.162)と比較して,専門的推測誤差を65.7%削減し,5点のLikertスケールで17.52%(3.71～4.36)の改善を実現した。

関連論文リスト

• Towards Realistic Personalization: Evaluating Long-Horizon Preference Following in Personalized User-LLM Interactions [50.70965714314064]
  大規模言語モデル(LLM)は、ユーザが拡張されたインタラクションよりも複雑で多様な好みを共有するパーソナルアシスタントとして、ますます機能している。 この研究は、パーソナライズされたユーザ-LLMインタラクションにおいて、リアルな嗜好フォローを評価するためのベンチマークであるRealPrefを提案する。
  論文  参考訳（メタデータ） (2026-03-04T15:42:43Z)
• What Users Leave Unsaid: Under-Specified Queries Limit Vision-Language Models [10.883552856100684]
  韓国のオンラインコミュニティから,実世界の653の視覚的質問のベンチマークであるHAERAE-Visionを紹介した。 最先端モデル (GPT-5, Gemini 2.5 Pro) でさえも、元のクエリでは50%以下であることがわかった。
  論文  参考訳（メタデータ） (2026-01-07T02:33:03Z)
• One Battle After Another: Probing LLMs' Limits on Multi-Turn Instruction Following with a Benchmark Evolving Framework [51.50565654314582]
  大規模言語モデルは、複数のトピックにまたがる対話を通して、ユーザの指示に従うことができる。 既存のベンチマークは、しばしば一定回数のターンに制限されるため、飽和の影響を受けにくく、ユーザのインタラクティブなエクスペリエンスを考慮できない。 マルチターン命令追従能力を評価するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T14:39:59Z)
• PrLM: Learning Explicit Reasoning for Personalized RAG via Contrastive Reward Optimization [4.624026598342624]
  検索したユーザプロファイルを明示的に推論するために,LLMをトレーニングする強化学習フレームワークであるPrLMを提案する。 PrLMは、注釈付き推論パスを必要とせずに、ユーザの応答から効果的に学習する。 3つのパーソナライズされたテキスト生成データセットの実験は、PrLMが既存の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-08-10T13:37:26Z)
• When Large Language Models are Reliable for Judging Empathic Communication [40.004418448798326]
  大規模言語モデル(LLM)は、テキストベースの会話において共感的な応答を生成するのに優れている。 共感コミュニケーションのニュアンスをどの程度確実に判断できるか? 我々は、専門家、クラウドワーカー、LLMが4つの評価フレームワーク間で共感的なコミュニケーションを注釈する方法について比較する。
  論文  参考訳（メタデータ） (2025-06-11T20:10:23Z)
• MERIT: Multilingual Semantic Retrieval with Interleaved Multi-Condition Query [91.01970848241075]
  MERITは、インターリーブされたマルチ条件セマンティック検索のための最初の多言語データセットである。 本稿では,多条件セマンティック検索のための最初の多言語データセットであるMERITを紹介する。
  論文  参考訳（メタデータ） (2025-06-03T17:59:14Z)
• Know Me, Respond to Me: Benchmarking LLMs for Dynamic User Profiling and Personalized Responses at Scale [53.059480071818136]
  大規模言語モデル(LLM)は、幅広いタスクでユーザのためのパーソナライズされたアシスタントとして登場した。 PERSONAMEMは180以上のユーザ-LLMインタラクション履歴を持つキュレートされたユーザプロファイルを備えている。 LLMチャットボットのユーザプロファイルの現在状況に応じて,最も適切な応答を識別する能力を評価する。
  論文  参考訳（メタデータ） (2025-04-19T08:16:10Z)
• CLEAR-KGQA: Clarification-Enhanced Ambiguity Resolution for Knowledge Graph Question Answering [13.624962763072899]
  KGQAシステムは通常、ユーザクエリは曖昧であると仮定するが、これは現実世界のアプリケーションではめったに行われない仮定である。 本稿では,対話的明確化を通じて,エンティティのあいまいさ(類似した名前を持つエンティティの区別など)と意図のあいまいさ(ユーザクエリの異なる解釈を明確にするなど)を動的に扱う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-13T17:34:35Z)
• IRLab@iKAT24: Learned Sparse Retrieval with Multi-aspect LLM Query Generation for Conversational Search [6.974395116689502]
  iKAT 2024は、対話アシスタントの進化に焦点を当て、対話と応答をパーソナライズされたユーザー知識から適応することができる。 このトラックには、Personal Textual Knowledge Base(PTKB)と会話型AIタスク(通訳ランキングや応答生成など)が組み込まれている。
  論文  参考訳（メタデータ） (2024-11-22T05:18:35Z)
• Multi-expert Prompting Improves Reliability, Safety, and Usefulness of Large Language Models [75.44218111729442]
  本稿では,大規模言語モデル(LLM)生成を改善するために,Promptingの新たな拡張であるMulti-expert Promptingを提案する。 具体的には、複数の専門家をシミュレートし、応答を集約し、個々のレスポンスと集約されたレスポンスの中で最高のものを選択することで、入力命令を満たすようLLMを誘導する。 評価の結果, マルチエキスパート・プロンプトは, 毒性や傷害を低減しつつ, 真理性, 事実性, 情報性, 応答の有用性を高める上で, エキスパート・プロンプトと同等のベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-01T10:06:52Z)
• ExpertPrompting: Instructing Large Language Models to be Distinguished Experts [97.3059051511732]
  本稿では,エキスパートとして回答する大規模言語モデルの可能性を引き出すために,ExpertPromptingを提案する。 我々はGPT-3.5を使って新しい命令追跡データを作成し、ExpertLLaMAと呼ばれる競合するオープンソースのチャットアシスタントを訓練する。
  論文  参考訳（メタデータ） (2023-05-24T03:51:31Z)

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。