論文の概要: The New Shape of Search: How Conversational AI Recomposes Information Seeking
- arxiv url: http://arxiv.org/abs/2607.04282v1
- Date: Sun, 05 Jul 2026 12:48:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.883113
- Title: The New Shape of Search: How Conversational AI Recomposes Information Seeking
- Title（参考訳）: 検索の新たな形:会話型AIが情報検索をいかに再構成するか
- Abstract要約: そのエピソードに会話アシスタントが挿入されたらどうなるか尋ねる。
私たちは、主要なアシスタントと実際の会話を、オプトインのクロスサーフェスパネルで同じユーザーの検索とブラウジングにリンクします。
会話型AIは、単なるボリュームではなく、情報検索の形を変える。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classic models cast information seeking as iterative foraging: formulate a keyword query, scan results, reformulate, gather across sources, synthesize. We ask what happens when a conversational assistant is inserted into that episode. Linking real conversations with major assistants to the same users' searches and browsing in an opt-in cross-surface panel, and reconstructing the full episode rather than a single query, we find conversational AI changes the shape of information seeking, not merely its volume. AI episodes do not uniformly collapse; they bifurcate. Most terminate in place, with no onward search or content step in the observed trace, while roughly a third scaffold into longer multi-step journeys. Which shape occurs is governed less by task type than by articulation: collapse is statistically indistinguishable across lookup, learning, and comparison episodes, yet falls monotonically with opening-ask length, from 72% at one-to-three words to 48% beyond twenty. Roughly two-fifths of assistant episodes are workbench use--drafting, coding, editing--not information seeking at all, and these collapse most. Conversational AI also does not displace search: search remains woven through roughly three-quarters of within-episode transitions, after reading a page users return to the search box over the assistant 70/30, and within-user search share does not fall. Verification is rare: searches with explicit verification language follow roughly 1% of episodes, and citation-forward interfaces do not measurably increase checking. All of this is episode structure, a compositional object identifiable without a demand counterfactual. Conversational AI recomposes the seeking episode: it answers brief asks in place and anchors invested asks in longer journeys, adding a layer rather than replacing search.
- Abstract（参考訳）: 古典的なモデルは、キーワードクエリを定式化し、結果をスキャンし、改定し、ソースをまたいで収集し、合成する。
そのエピソードに会話アシスタントが挿入されたらどうなるか尋ねる。
主要なアシスタントとの実際の会話を、オプトインされたクロスサーフェスパネルで同じユーザの検索とブラウジングにリンクし、単一のクエリではなくフルエピソードを再構築すると、会話AIは、単にボリュームではなく、情報検索の形を変える。
AIのエピソードは、一様に崩壊しない。
殆どの場合、観測された痕跡に前方からの探索や内容のステップがなく、さらに長い多段階の旅に約3番目の足場が設けられている。
崩壊はルックアップ、学習、比較エピソード間で統計的に区別できないが、1対3の単語で72%から20を超える48%へと単調に減少する。
アシスタントエピソードのおよそ5分の2はワークベンチの使用、描画、コーディング、編集、情報検索などだ。
会話型AIも検索をオフにしない: 検索は、ページのユーザがアシスタント70/30で検索ボックスに戻ると、約4分の3のエポソード内遷移で織り込まれ、ユーザ内の検索シェアは低下しない。
明示的な検証言語による検索はエピソードの約1%を辿り、引用-フォワードインタフェースはチェックを測るほど増加しない。
これらはすべてエピソード構造であり、要求の反事実なしに識別できる構成オブジェクトである。
会話型AIは、探究のエピソードを再構成する: 簡単な質問に答え、投資したアンカーが長い旅に出て、検索を置き換えるのではなく、レイヤーを追加する。
関連論文リスト
- When Your Agent Opens the Chat App: Agent-Controlled Search over Raw Chat Logs Rivals Structured Memory [21.87512744606154]
エージェント制御されたサーチインターフェースであるReFindについて,セマンティックな構造をまったく構築しない。
会話アーカイブを変更せずに残し、行の粒度を辞書でインデックスし、一般的な反復的なキーワード検索ループと4つのチャットネイティブコントロールを組み合わせる。
最強のグラフおよびツリーベースのメモリシステムよりも高い平均精度(58.2)を達成した。
論文 参考訳（メタデータ） (2026-08-13T07:10:22Z) - The Prompt Is Not the Query: How Request State Evolves Across Multi-Turn AI Conversations [0.0]
を観測可能な構成、会話条件の要求状態に置き換え、その状態がユーザターン間でどのように分散されているかを測定します。
この分析は、前回の会話研究の凍結ルールと統制されたコホートを再利用する。
論文 参考訳（メタデータ） (2026-07-24T15:16:26Z) - Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。
このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。
IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
論文 参考訳（メタデータ） (2026-05-03T19:13:11Z) - ARGOS: Who, Where, and When in Agentic Multi-Camera Person Search [49.61286310968402]
我々は,対話型推論問題として,マルチカメラの人物探索を再構成する最初のベンチマークとフレームワークであるARGOSを紹介する。
ARGOSエージェントはあいまいな目撃声明を受け取り、何を尋ねるか、いつ空間的または時間的ツールを呼び出すか、不明瞭な応答をどう解釈するかを判断しなければならない。
このベンチマークは、意味的知覚(Who)、空間的推論(Where)、時間的推論(When)の3つのプログレッシブトラックにおいて、14の現実世界シナリオにまたがる2,691のタスクからなる。
論文 参考訳（メタデータ） (2026-04-14T14:06:19Z) - SE-Search: Self-Evolving Search Agent via Memory and Dense Reward [87.79131676521656]
Retrieval augmented generation (RAG)は、検索した外部知識を条件づけることにより、大規模言語モデル(LLM)における幻覚や事実エラーを低減する。
既存の手法は、無関係または騒々しい文書を蓄積し、希少な強化学習信号に依存することが多い。
我々は,3つのコンポーネントによるオンライン検索行動を改善するセルフ進化検索エージェントであるtextbfSelf-textbfEvolving textbfSearchを提案する。
論文 参考訳（メタデータ） (2026-02-06T09:14:07Z) - LEAPS: An LLM-Empowered Adaptive Plugin for Taobao AI Search [17.074638179635613]
我々は,従来の検索システムを"Broaden-and-Empower"パラダイムでシームレスにアップグレードするLEAPS(LLM-Empowered Adaptive for Taobao AI Search)を提案する。
新たな3段階のトレーニング戦略 – 逆データ拡張,後知識による微調整,多様性を考慮した強化学習 – を採用して,適応的および補完的なクエリの組み合わせを生成する。
2025年8月以降、Taobao AI Searchに完全にデプロイされている。
論文 参考訳（メタデータ） (2026-01-09T03:41:27Z) - MindSearch: Mimicking Human Minds Elicits Deep AI Searcher [50.68599514830046]
我々は、Web情報検索と統合における人間の心を模倣するMindSearchを紹介した。
このフレームワークは、シンプルだが効果的なLLMベースのマルチエージェントフレームワークによってインスタンス化できる。
MindSearchは、深さと幅の点でレスポンス品質が大幅に改善されている。
論文 参考訳（メタデータ） (2024-07-29T17:12:40Z) - Uncovering Hidden Connections: Iterative Search and Reasoning for Video-grounded Dialog [81.2968606962913]
ビデオグラウンドダイアログは、正確な応答生成のために、ダイアログ履歴とビデオコンテンツの両方を深く理解する必要がある。
本稿では,テキストエンコーダ,ビジュアルエンコーダ,ジェネレータで構成される反復探索・推論フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-11T07:37:13Z) - Zero-shot Clarifying Question Generation for Conversational Search [25.514678546942754]
本稿では,質問テンプレートとクエリファセットの両方を用いて,効果的かつ正確な質問生成を導く制約付き質問生成システムを提案する。
実験の結果,提案手法は既存のゼロショットベースラインよりも大きなマージンで優れていた。
論文 参考訳（メタデータ） (2023-01-30T04:43:02Z) - Open-Domain Conversational Search Assistant with Transformers [4.735500711531941]
トランスフォーマーアーキテクチャが重要なIRタスクで最先端の結果を達成する方法を示します。
2つの大きな課題を解決するために、オープンドメインの抽象的な対話型検索エージェントパイプラインを提案する。
論文 参考訳（メタデータ） (2021-01-20T16:02:15Z) - Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。
我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
論文 参考訳（メタデータ） (2020-05-24T11:37:22Z)
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。