論文の概要: Asking Questions the Right Way: A Multi-Agent Conversational System for Prompt Formulation in Complex Task Resolution

• arxiv url: http://arxiv.org/abs/2608.01366v1
• Date: Sun, 02 Aug 2026 16:33:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.185265
• Title: Asking Questions the Right Way: A Multi-Agent Conversational System for Prompt Formulation in Complex Task Resolution
• Title（参考訳）: 正しい解答を求める:複雑な課題解決におけるプロンプト定式化のための多言語対話システム
• Authors: B. Sankar, Pawni Yadav, Srinidhi Ranjini Girish, Amogh A. S,
• Abstract要約: 大規模言語モデル(LLM)は複雑な知的タスクに不可欠なものであるが、出力品質はユーザが提供するプロンプトによって制約される。 本研究では,非構造化クエリを構造化プロンプトに変換する8つのエージェントのエージェント対話インタフェースPAWNIを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are integral to complex intellectual tasks, yet output quality remains constrained by user-provided prompts. Iterative multi-turn prompting often leads to context degradation and diminishing cognitive returns. We present PAWNI (Prompt Architecture Wizard using Neural Intelligence), an agentic conversational interface of eight agents that transforms unstructured queries into structured prompts through guided question-and-answer dialogue informed by a self-evolving knowledge base. Rather than optimizing the models response, PAWNI optimizes the question itself by front-loading intent clarification. We also propose a three-tier framework of 18 prompt elements across Essential, Enhancement, and Elevation categories.To evaluate system behavior and validate a measurement protocol, we conducted an exploratory within-subjects study (N=4) across four complex tasks, integrating 32-channel EEG, NASA-TLX workload, and behavioral metrics. Participants produced more structurally complete prompts with PAWNI (42% to 91% of assessed elements), rated LLM outputs higher across all quality dimensions, and reported lower workload (39.6 vs. 21.7 NASA-TLX). Every participant reached satisfactory output in a single turn, compared to 1-12 turns unaided. While effect sizes are unstable due to sample size, direction consistency supports the hypothesis that optimizing prompt formulation front-end is a critical lever for human-AI collaboration.
• Abstract（参考訳）: 大規模言語モデル(LLM)は複雑な知的タスクに不可欠なものであるが、出力品質はユーザが提供するプロンプトによって制約される。 反復的なマルチターンプロンプトは、しばしば文脈の劣化と認知的リターンの低下につながる。 本稿では,非構造化クエリを構造化プロンプトに変換するエージェントインタフェースであるPAWNI(Prompt Architecture Wizard using Neural Intelligence)を提案する。 モデル応答を最適化する代わりに、PAWNIは質問自体をフロントロードインテントの明確化によって最適化する。 システム動作の評価と測定プロトコルの検証を行うため,32チャンネルのEEG,NASA-TLXのワークロード,行動指標を統合した,複雑な4つのタスクを対象とする探索的研究(N=4)を行った。 参加者はPAWNI(評価された要素の42%から91%)でより構造的に完全なプロンプトを生成し、評価されたLCM出力は全ての品質次元で高く、低負荷(39.6対21.7 NASA-TLX)を報告した。 各参加者は1ターンで満足な出力に達したが、1-12ターンは無視された。 効果の大きさはサンプルサイズによって不安定であるが、方向整合性は、迅速な定式化フロントエンドの最適化が人間とAIのコラボレーションにとって重要なレバーであるという仮説を支持する。

関連論文リスト

• Improving Answer Extraction in Context-based Question Answering Systems Using LLMs [0.25489046505746704]
  本稿では,テキストコンテキストと対応する質問からなる大言語モデルに基づく質問応答システムを提案する。 提案手法では,事前学習したLCMをベンチマークQAデータセット上で微調整し,文脈理解と回答抽出能力を向上させる。 実験の結果、微調整されたロバータベースモデルが最も高い性能を示し、ROUGE-Lスコアは86.84%、BLEUスコアは28.24%、BERTSスコアは95.38%に達した。
  論文  参考訳（メタデータ） (2026-06-04T14:04:11Z)
• AMATA: Adaptive Multi-Agent Trajectory Alignment for Knowledge-Intensive Question Answering [59.145044878490815]
  AMATAはAdaptive Multi-Agent Trajectory Alignmentフレームワークである。 外部知識を動的に統合し、応答の解釈可能性と事実的根拠を改善する。 本稿では,(1)重要エージェントを優先する目的指向の嗜好を学習するトラジェクトリ内選好学習,(2)エージェント間の依存性学習,という2つの主要なイノベーションを紹介する。
  論文  参考訳（メタデータ） (2026-05-17T09:45:24Z)
• GISA: A Benchmark for General Information-Seeking Assistant [102.30831921333755]
  GISAは汎用情報検索アシスタントのベンチマークであり、373の人為的なクエリで構成されている。 深い推論と広範囲な情報集約を統合タスクに統合し、暗記に抵抗するために定期的に更新された回答を含むライブサブセットを含む。 主要なLCMと商用検索製品の実験では、最高のパフォーマンスモデルでさえ19.30%の正確なマッチスコアしか達成していないことが示されている。
  論文  参考訳（メタデータ） (2026-02-09T11:44:15Z)
• Prism: Towards Lowering User Cognitive Load in LLMs via Complex Intent Understanding [8.863937298785347]
  ソーシャルプラットフォームへのWebネイティブインターフェースとして,大規模言語モデルが急速に普及している。 既存のアプローチは、シーケンシャルまたは並列な質問を通じて、ユーザの意図を明確にしようとする。 認知負荷理論に触発されて、複雑な意図理解のための新しいフレームワークであるPrismを提案する。
  論文  参考訳（メタデータ） (2026-01-13T15:30:48Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• First Ask Then Answer: A Framework Design for AI Dialogue Based on Supplementary Questioning with Large Language Models [0.0]
  First Ask Then Answer (FATA) は応答生成に先立ってユーザに対して多次元補足質問を生成する。 既存の明確化アプローチとは対照的に、FATAは完全性とユーザ参加を重視している。 実験の結果,FATAはB-Promptを約40%上回った。
  論文  参考訳（メタデータ） (2025-08-08T13:39:47Z)
• Teaching Language Models To Gather Information Proactively [53.85419549904644]
  大規模言語モデル(LLM)は、ますます協力的なパートナーとして機能することが期待されている。 本研究では,アクティブな情報収集という新たなタスクパラダイムを導入する。 キー情報をマスキングする、部分的に特定された現実世界のタスクを生成するスケーラブルなフレームワークを設計する。 このセットアップの中核となるイノベーションは、真に新しい暗黙のユーザー情報を引き出す質問に報酬を与える、強化された微調整戦略です。
  論文  参考訳（メタデータ） (2025-07-28T23:50:09Z)
• The Future of MLLM Prompting is Adaptive: A Comprehensive Experimental Evaluation of Prompt Engineering Methods for Robust Multimodal Performance [0.393259574660092]
  MLLM(Multimodal Large Language Models)は、機械がどのように処理し、人間のような応答を生成するかを変換するために設定される。 本研究は,オープンソースMLLM13に対して,24タスクで適用した7つのプロンプトエンジニアリング手法の総合的実験評価である。
  論文  参考訳（メタデータ） (2025-04-14T12:31:39Z)
• PICK: Polished & Informed Candidate Scoring for Knowledge-Grounded Dialogue Systems [59.1250765143521]
  現在の知識接地対話システムは、生成された応答を人間に好まれる品質に合わせるのに失敗することが多い。 我々は,世代別再描画フレームワークであるPolseed & Informed Candidate Scoring (PICK)を提案する。 対話履歴に関連性を維持しつつ,より忠実な応答を生成するためのPICKの有効性を示す。
  論文  参考訳（メタデータ） (2023-09-19T08:27:09Z)

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。