論文の概要: ProACT: Towards Breakdown-Aware Proactive Agent in Multi-User Collaboration

• arxiv url: http://arxiv.org/abs/2607.03730v1
• Date: Sat, 04 Jul 2026 06:36:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.688807
• Title: ProACT: Towards Breakdown-Aware Proactive Agent in Multi-User Collaboration
• Title（参考訳）: ProACT: マルチユーザコラボレーションにおけるブレークダウン対応プロアクティブエージェントの実現に向けて
• Abstract要約: ProACTはマルチユーザコラボレーションのためのブレークダウン対応エージェントフレームワークである。 それは、現在のターンが介入を必要とするコラボレーションの分解を含むかどうかを判断し、エージェントが沈黙を保つか、話すべきかを決定し、もし話す必要がある場合は、そのケースを目標のコラボレーションスキルにルーティングする。 コラボレーションの適切性、非中断性、簡潔性、そして直接チャットよりも判断された介入品質を一貫して改善する。
• 参考スコア（独自算出の注目度）: 12.930055759552616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversational agents are increasingly embedded in human collaborative work, yet they remain fundamentally passive and reactive: they respond to explicit user requests rather than proactively recognizing moments when a team would benefit from timely intervention as human collaborators often do. This reactive design substantially limits the use of agents as active participants in multi-user collaboration, where disagreements, ambiguous goals, forgotten constraints, underspecified plans, discussion loops, and imbalanced participation can gradually undermine group progress. To move agents from passive assistants toward active participants in multi-user collaboration, we introduce ProACT, a breakdown-aware agent framework grounded in theories of common ground, collaborative planning, and coordination work. ProACT observes the speaker-attributed conversation history, determines whether the current turn contains a collaboration breakdown requiring intervention, decides whether the agent should stay silent or speak, and, when speaking is needed, routes the case to a targeted collaboration skill. We further introduce the first multi-user collaboration benchmark for evaluating proactive agents across project planning, product design, research collaboration, logistics, education, and resource-constrained decision making. Across 3,244 turn-level examples and five LLM backbones, ProACT consistently improves collaborative appropriateness, non-interruptiveness, conciseness, and judged intervention quality over direct chat.
• Abstract（参考訳）: 会話エージェントは、人間の協調作業にますます組み込まれていますが、基本的には受動的で反応し続けています。 このリアクティブ設計は、多ユーザコラボレーションのアクティブな参加者としてエージェントの使用を著しく制限し、不一致、曖昧な目標、忘れられた制約、不特定計画、議論ループ、不均衡な参加が徐々にグループの進歩を損なう。 エージェントを受動的アシスタントから多ユーザコラボレーションのアクティブな参加者へ移動させるために,共通基盤の理論,協調計画,協調作業に基づく分解対応エージェントフレームワークであるProACTを紹介した。 ProACTは、話者対応の会話履歴を観察し、現在のターンが介入を必要とするコラボレーション分解を含むか否かを判断し、エージェントが沈黙を保つか話すべきかを判断し、必要な場合には、ケースを目標のコラボレーションスキルにルーティングする。 さらに,プロジェクト計画,製品設計,研究コラボレーション,ロジスティクス,教育,資源制約のある意思決定において,プロアクティブエージェントを評価するための,初のマルチユーザコラボレーションベンチマークを導入する。 3,244個のターンレベルの例と5個のLDMバックボーンで、ProACTは直接チャットよりも協調的適切性、非中断性、簡潔性、および判断された介入品質を一貫して改善する。

関連論文リスト

• PACT: Proactive Asking for Continual Task Assistance in Human-Robot Collaboration [62.13457838323877]
  PACT(Proactive Asking for Continual Task Assistance)は,行動を起こす前に明確化を求めるかどうかを判断する質問・実行フレームワークである。 我々は、強化学習を用いて、その初等学習インスタンス化を実装し、同じ枠組みの下で代替インスタンス化を評価する。 マルチデイの実施したコラボレーションシナリオの実験では、パッシブ推論ベースラインと比較して、PACTはアシスト精度と明確化ユーティリティの両方を一貫して改善している。
  論文  参考訳（メタデータ） (2026-05-23T02:22:02Z)
• SpeakRL: Synergizing Reasoning, Speaking, and Acting in Language Models with Reinforcement Learning [46.70182219204539]
  SpeakRLは、エージェントの会話能力を高めるための強化学習(RL)手法である。 本稿では,会話行動に対する報酬設計の体系的分析を行い,行動に対する質問のバランスをとるための指導者のための原則的報酬定式化を提案する。
  論文  参考訳（メタデータ） (2025-12-15T10:08:53Z)
• Completion $\neq$ Collaboration: Scaling Collaborative Effort with Agents [48.95020665909723]
  タスク完了エージェントの構築と評価から,協調エージェントの開発への移行を議論する。 エージェントのユーティリティがユーザ関与の増加とともにどのように成長するかをキャプチャするフレームワークであるコラボレーティブ・ワーク・スケーリングを紹介します。
  論文  参考訳（メタデータ） (2025-10-29T17:47:18Z)
• Learning "Partner-Aware" Collaborators in Multi-Party Collaboration [12.287537011305497]
  大規模言語モデル(LLM)は,人間との共同作業を行うエージェント設定にデプロイされることが増えている。 本稿では、協調行動に関する新たな理論的洞察を提供するために、AIアライメントと安全な割り込み可能性文献に基づく。 CG-最適協調者を訓練するための新しいパートナー認識学習アルゴリズムであるInterruptible Collaborative Roleplayer (ICR)を提案する。
  論文  参考訳（メタデータ） (2025-10-26T00:05:48Z)
• Let's Roleplay: Examining LLM Alignment in Collaborative Dialogues [11.888786446094057]
  本稿では,多人数共同作業におけるパートナーとしての大規模言語モデルの有効性に,異なるアライメント手法がどのような影響を与えるかを検討する。 ロールプレイ手法を用いて、協調作業会話における異なる訓練された摩擦剤の介入を評価する。 以上の結果から, 摩擦認識アプローチは, 共通基盤への収束, あるいはタスク関連命題の一致, タスク結果の正当性の両方において, 共通のアライメントベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-09-07T00:58:10Z)
• Collaborative Gym: A Framework for Enabling and Evaluating Human-Agent Collaboration [50.657070334404835]
  Collaborative Gymは、エージェント、人間、タスク環境間の非同期で三分割的なインタラクションを可能にするフレームワークである。 シミュレーション条件と実環境条件の両方において,Co-Gymを3つの代表的なタスクでインスタンス化する。 その結果、協調作業員はタスクパフォーマンスにおいて、完全に自律的なエージェントよりも一貫して優れていたことが判明した。
  論文  参考訳（メタデータ） (2024-12-20T09:21:15Z)
• Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
  我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。 合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。 我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:06Z)
• Interacting with Non-Cooperative User: A New Paradigm for Proactive Dialogue Policy [83.61404191470126]
  インタラクティブな環境下でプロアクティブなポリシーを学習できるI-Proという新しいソリューションを提案する。 具体的には,4つの要因からなる学習目標重みを通じてトレードオフを学習する。 実験の結果,I-Proは,有効性と解釈性において,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） (2022-04-07T14:11:31Z)

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。