論文の概要: Everyone is unique: Towards Behaviorally Heterogeneous Negotiation Dialogue Systems for Debt Collection
- arxiv url: http://arxiv.org/abs/2607.25218v1
- Date: Tue, 28 Jul 2026 02:50:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.68542
- Title: Everyone is unique: Towards Behaviorally Heterogeneous Negotiation Dialogue Systems for Debt Collection
- Title（参考訳）: 誰もが独特である:負債収集のための行動的不均一な対話システムを目指して
- Abstract要約: 負債収集(Debt collection)は、人間中心の対話システムのための高額なテストベッドである。
既存のベンチマークでは、ユーザーは固定された好みを持つ静的で合理的なエージェントであると仮定している。
DebtBenchは,最初のペルソナ富化負債収集ベンチマークである。
また、金融リカバリとインタラクション体験の最適化を共同で行うよう訓練された債務回収エージェントであるDebtGPTを開発した。
- 参考スコア（独自算出の注目度）: 21.101273338694593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Debt collection is a critical negotiation task in the financial industry, with strong practical relevance and exceptional academic value as a behaviorally rich, high-stakes testbed for human-centered dialogue systems. While large language models (LLMs) have shown promise in dialogue and negotiation, effectively evaluating their performance in this complex scenarios remains a major challenge: existing benchmarks uniformly assume users to be static, rational agents with fixed preferences, failing to capture the rich behavioral heterogeneity inherent in real-world debt collection. To bridge this gap, we propose DebtBench, the first public persona-enriched debt collection benchmark, that highlights behavioral heterogeneity in negotiation. Moreover, we develop DebtGPT, a debt collection agent trained to jointly optimize financial recovery and interaction experience. Our experimental results, using 16 state-of-the-art LLMs, find that most existing models struggle in this complex but realistic scenarios, whereas DebtGPT outperforms all open-source baselines and achieves performance on par with GPT-4o. The code and data are available at https://github.com/YYuHhhh/DebtNegotiation.
- Abstract（参考訳）: 負債収集は金融業界において重要な交渉課題であり、人間中心の対話システムにおいて、行動に富み、高額なテストベッドとしての実践的妥当性と例外的な学術的価値を有する。
大規模な言語モデル(LLM)は対話や交渉において有望であるが、この複雑なシナリオでそれらのパフォーマンスを効果的に評価することは大きな課題である。
このギャップを埋めるために、交渉における振る舞いの不均一性を強調する最初の公的なペルソナ富化債収集ベンチマークであるDebtBenchを提案する。
さらに,金融リカバリとインタラクション体験を協調的に最適化するために訓練された債務回収エージェントであるDebtGPTを開発した。
実験の結果,既存のモデルの多くは,この複雑だが現実的なシナリオに苦しむのに対して,DebtGPTはすべてのオープンソースベースラインを上回り,GPT-4oと同等の性能を実現していることがわかった。
コードとデータはhttps://github.com/YYuHhhhh/DebtNegotiation.comで公開されている。
関連論文リスト
- ProMediConv: Benchmarking Proactive Conversational Agents in Legal Dispute Mediation [65.39532118490511]
ProMediConvは、メディエーションをプロアクティブ、マルチステージ、パーティ対応の対話プロセスとしてモデル化する新しいベンチマークフレームワークである。
972個の実世界のケースを用いて,戦略およびBP状態の発話レベルアノテーションを用いた高忠実度調停データセットを構築した。
また、対話を通してBPシフトを捉えるための詳細な計量であるMAD(Mean Attribute difference)を提案する。
論文 参考訳（メタデータ） (2026-09-10T05:26:40Z) - TERMS-Bench: Diagnosing LLM Negotiation Agents Beyond Deal Rate [34.67393151003599]
交渉はエージェント言語モデルのための標準的なテストベッドである。
数学やコードとは異なり、本質的な検証がない。
本稿では,環境自体を検証対象とするベイズゲームフレームワークであるTerms-Benchを紹介する。
論文 参考訳（メタデータ） (2026-05-13T06:22:50Z) - ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。
Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文 参考訳（メタデータ） (2026-05-11T16:20:51Z) - SAVOIR: Learning Social Savoir-Faire via Shapley-based Reward Attribution [82.31558282651811]
複雑な対人相互作用をナビゲートするソーシャルインテリジェンスは、言語エージェントに根本的な課題を提示する。
既存のアプローチでは、言語モデルを直接使用してエピソードレベルの報酬を分配する。
協調ゲーム理論に基づく新しい原理的枠組みであるSAVOIRを提案する。
論文 参考訳（メタデータ） (2026-04-21T02:08:25Z) - Conv-to-Bench: Evaluating Language Models Via User-Assistant Dialogues In Code Tasks [0.0]
Conv-to-Benchは、真のマルチターンユーザアシスタント対話を構造化され、検証可能な要求チェックリストに変換するフレームワークである。
プログラミングに応用して、Conv-to-Benchは、人間が認可した標準とほぼ完璧なアライメントを示す評価セットを生成する。
論文 参考訳（メタデータ） (2026-04-07T23:09:45Z) - PieArena: Frontier Language Agents Achieve MBA-Level Negotiation Performance and Reveal Novel Behavioral Differences [13.759960839511807]
マルチエージェントインタラクションを基盤とした大規模ベンチマークベンチマークであるPieArenaを紹介する。
代表的フロンティア言語エージェント(GPT-5)が、訓練されたビジネススクールの生徒と一致したり、成績が良くなった場合の、人間-専門家レベルのパフォーマンスの体系的証拠を見出した。
論文 参考訳（メタデータ） (2026-02-05T04:52:20Z) - EQ-Negotiator: Dynamic Emotional Personas Empower Small Language Models for Edge-Deployable Credit Negotiation [66.09161596959771]
小型言語モデル (SLM) は実用的な代替手段を提供するが、大規模言語モデル (LLM) と比較して大きな性能差がある。
本稿では,感情的ペルソナを用いて,この能力ギャップを橋渡しする新しいフレームワークであるEQ-Negotiatorを紹介する。
EQ-Negotiator を用いた 7B パラメータ言語モデルは,ベースライン LLM の 10 倍以上の大きさで,債務回復と交渉効率が向上することを示す。
論文 参考訳（メタデータ） (2025-11-05T11:25:07Z) - EmoDebt: Bayesian-Optimized Emotional Intelligence for Strategic Agent-to-Agent Debt Recovery [65.30120701878582]
大規模言語モデル(LLM)エージェントは、負債収集のような感情に敏感なドメインの悪用に対して脆弱である。
EmoDebtは、ネゴシエーションにおける感情を表現するモデルの能力を、シーケンシャルな意思決定問題として再設計する感情インテリジェンスエンジンである。
EmoDebtは重要な戦略的堅牢性を実現し、非適応性と感情に依存しないベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2025-03-27T01:41:34Z) - Debt Collection Negotiations with Large Language Models: An Evaluation System and Optimizing Decision Making with Multi-Agent [11.315029947508796]
負債収集交渉(DCN)は、非業績融資(NPL)の管理と債権者損失の低減に不可欠である。
従来の手法は労働集約型であり、大規模言語モデル(LLM)は将来的な自動化の可能性を秘めている。
本稿では、DCNの自動化におけるLCMについて検討し、4つの側面に13のメトリクスを持つ新しい評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-25T14:13:03Z) - Federated Contextual Cascading Bandits with Asynchronous Communication
and Heterogeneous Users [95.77678166036561]
繊細な通信プロトコルを用いたUPB型アルゴリズムを提案する。
同期フレームワークで達成されたものと同等のサブ線形後悔境界を与えます。
合成および実世界のデータセットに関する実証評価は、後悔と通信コストの観点から、我々のアルゴリズムの優れた性能を検証する。
論文 参考訳（メタデータ） (2024-02-26T05:31:14Z) - Assistive Large Language Model Agents for Socially-Aware Negotiation Dialogues [47.977032883078664]
我々は,ビジネス交渉における対話者を支援する大規模言語モデル(LLM)に基づく支援エージェントを開発する。
第3のLLMは、交渉結果を改善するための基準に違反した発話を書き換える仲介役として機能する。
3つの異なる交渉トピックにわたる交渉において,その効果を示すための実証的証拠を豊富に提供する。
論文 参考訳（メタデータ） (2024-01-29T09:07:40Z) - Evaluating Language Model Agency through Negotiations [39.87262815823634]
ネゴシエーションゲームにより、マルチターン、クロスモデル相互作用、複雑性の変調、およびサイドステップの偶発的データ漏洩を研究できる。
提案手法は,広く使用されている6つのLMをテストし,セルフプレイとクロスプレイの両方で性能とアライメントを評価する。
論文 参考訳（メタデータ） (2024-01-09T13:19:37Z)
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。