論文の概要: AI-assisted Script Management for Requirements Elicitation Interviews
- arxiv url: http://arxiv.org/abs/2608.01640v1
- Date: Mon, 03 Aug 2026 03:22:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.311719
- Title: AI-assisted Script Management for Requirements Elicitation Interviews
- Title（参考訳）: 要求省力インタビューのためのAI支援スクリプト管理
- Abstract要約: 本稿では、ビジネス目標に根ざした理論誘導型スクリプト生成とトピックカバレッジトラッキングとオンデマンドフォローアップ質問生成のライブサポートを組み合わせたAI支援型推論ワークフローを提案する。
Elicitationのベストプラクティスから派生したルーリックに基づいて、AI生成スクリプトは、トレーニング専用のスクリプトよりも高いスコアを得る。
- 参考スコア（独自算出の注目度）: 0.4376619220604389
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Requirements elicitation interviews require interviewers to balance topic coverage, active listening, and adaptive probing while responding to stakeholders in real time. Although prior work has explored AI support for isolated interviewing tasks, such as script generation and follow-up question generation, little is known about how integrated support affects the interview and what requirements artifacts emerge. Furthermore, script management---which helps the interviewer track topic coverage in real time and decide when to probe further---remains underexplored. This paper presents an AI-assisted elicitation workflow that combines theory-guided script generation grounded in business goals with live support for topic coverage tracking and on-demand follow-up question generation. We evaluate the workflow in a between-subjects quasi-experimental study comparing a no-training, AI-assisted condition with a training, AI-unassisted condition. Based on a rubric derived from elicitation best practices, the AI-generated scripts score higher than training-only scripts (92.8 vs. 74.8 out of 100). AI-assisted interviews cover fewer topics (9.6 vs. 14.5), cover more scripted questions (86% vs. 69%), ask more follow-ups per topic (3.43 vs. 1.15), and produce more refined goal models (lowest-level goal fraction 0.653 vs. 0.598). Participants find script management useful, rating topic tracking as the most useful workflow feature (86% agreement). Collectively, these results show that the AI-assisted condition is associated with a different interview trajectory and different elicited requirements than a training-only condition, positioning AI-assisted workflows as elicitation scaffolds for future studies.
- Abstract（参考訳）: インタビュアーは、インタビュアーに対して、リアルタイムで利害関係者に反応しながら、トピックカバレッジ、アクティブリスニング、適応的調査のバランスを取る必要がある。
以前の作業では、スクリプト生成やフォローアップ質問生成といった独立したインタビュータスクに対するAIサポートについて検討されていたが、統合サポートがインタビューにどのように影響するか、要件アーティファクトが現れるのか、ほとんど分かっていない。
さらに、スクリプト管理 -- インタビュアーがトピックのカバレッジをリアルタイムで追跡し、いつ調査するかを判断する -- は、未調査のまま残っている。
本稿では、ビジネス目標に根ざした理論誘導型スクリプト生成とトピックカバレッジトラッキングとオンデマンドフォローアップ質問生成のライブサポートを組み合わせたAI支援型推論ワークフローを提案する。
本研究では,非トレーニング型AI支援条件とトレーニング型AI支援条件を比較検討した。
試行のベストプラクティスから派生したルーリックに基づいて、AI生成スクリプトはトレーニング専用スクリプトよりも高いスコア(100点中92.8対74.8)。
AI支援インタビューは、より少ないトピック(9.6対14.5)、よりスクリプト化された質問(86%対69%)、トピックごとのフォローアップ(3.43対1.15)、より洗練された目標モデル(最下位の目標パーセンテージ0.653対0.598)をカバーする。
参加者はスクリプト管理が有用であり、評価トピックトラッキングが最も有用なワークフロー機能であると考えている(86%の合意)。
これらの結果から,AI支援条件は,訓練専用条件と異なる面接軌跡と異なる勧誘条件に関連し,AI支援ワークフローを今後の研究のための勧誘足場として位置づけることが示唆された。
関連論文リスト
- LadderTeam: Dual-Agent Laddering Elicitation Framework [41.99844472131922]
textbfLadderTeamはオープンで再現可能なフレームワークで、デュアルエージェントのLarge Language Modelアーキテクチャを使ってUXワイヤーフレームのインタビューを自動化する。
アクティブインタビュアーエージェントは、ユーザフィードバックコメントから実行可能なソフトウェア要件を抽出する3つの探索戦略のうちの1つを実行する。
同時バックグラウンド判断エージェントは、プローブ応答対を評価し、トピックドリフトを防止するためにリアルタイムガードレールをトリガーする。
論文 参考訳（メタデータ） (2026-08-17T18:27:33Z) - AI-Conducted Interviews in Empirical Software Engineering: An Experience Report [1.4278764160724604]
半構造化されたインタビューはリソース集約的で、スケジュール、場所、自然言語をまたいだ調整が難しい。
本報告では,2つのESE研究において,短時間で自己管理的なインタビューを行うためのカスタマイズされたMyGPTについて検討する。
論文 参考訳（メタデータ） (2026-07-16T00:59:44Z) - From Chat to Interview: Agentic Requirements Elicitation with an Experience Ontology [35.19488207612296]
本稿では,経験オントロジーによってガイドされる要件の活用を目的とした,OntoAgentという面接エージェントを提案する。
OntoAgentは、経験オントロジーを構築するために、ドメイン固有の要件記述を自動的に分析する。
以上の結果から,OntoAgentは既存のベースラインよりも有効性が高いことがわかった。
論文 参考訳（メタデータ） (2026-05-07T08:03:03Z) - Generative-AI and the transformation of workforce. A job postings-driven analysis [7.765662835417495]
本稿では,AIが雇用要件,スキル構成,グローバル労働市場におけるセクターダイナミクスをいかに変えつつあるかを検討する。
職種投稿におけるAI関連能力の進化頻度とフレーミングについて検討し、生成型AIが主に職場における増強力または代替力として機能するかを検討する。
論文 参考訳（メタデータ） (2026-04-07T17:02:43Z) - AIDABench: AI Data Analytics Benchmark [62.45908988324612]
AIDABenchは、複雑なデータ分析タスクのAIシステムをエンドツーエンドで評価するためのベンチマークである。
AIDABenchは、質問応答、データビジュアライゼーション、ファイル生成という3つのコア機能ディメンションにまたがる600以上の多様なドキュメント分析タスクを含んでいる。
AIDABenchの11の最先端モデルを評価し、プロプライエタリ(Claude Sonnet 4.5、Gemini 3 Pro Previewなど)とオープンソース(Qwen3-Max-2026-01-23-Thinkingなど)の両方を対象とする。
論文 参考訳（メタデータ） (2026-02-27T08:58:05Z) - SparkMe: Adaptive Semi-Structured Interviewing for Qualitative Insight Discovery [55.50580661343875]
本稿では,対話のロールアウトをシミュレートして検討計画を実行するマルチエージェントインタビュアーSparkMeを紹介する。
LLMベースの面接者による制御実験を通じてSparkMeを評価し,より高い面接性を実現することを示す。
7つの専門職の70人の参加者が、AIが専門職に与える影響について、SparkMeをユーザスタディで検証しています。
論文 参考訳（メタデータ） (2026-02-24T17:33:02Z) - Modular AI-Powered Interviewer with Dynamic Question Generation and Expertise Profiling [0.7349727826230863]
本研究では、文脈的に適切で専門性に整合した質問を動的に生成するAIを利用したインタビュアーを提案する。
インタビュアーは、データプライバシを保持しながらコヒーレントな対話を生成する、ローカルにホストされた大規模言語モデル(LLM)上に構築されている。
提案されたインタビュアーは、スケーラブルでプライバシを重視したソリューションで、AIによる定性的データ収集を前進させる。
論文 参考訳（メタデータ） (2025-11-21T18:25:26Z) - Mic Drop or Data Flop? Evaluating the Fitness for Purpose of AI Voice Interviewers for Data Collection within Quantitative & Qualitative Research Contexts [7.938565669618949]
Transformer-based Large Language Models (LLMs) は、音声ベースの調査をリアルタイムで実施できる「AIインタビュアー」の道を開いた。
我々は,AIインタビュアーと,2次元にわたる現在の対話型音声応答(Interactive Voice Response, IVR)システムの性能を評価する。
論文 参考訳（メタデータ） (2025-09-01T22:44:57Z) - LLMREI: Automating Requirements Elicitation Interviews with LLMs [47.032121951473435]
本研究では,人間の介入を最小限に抑えながら,要求適応面接を行うチャットボット LLMREI を紹介する。
我々は33回のシミュレート・ステークホルダー・インタビューでその性能を評価した。
以上の結果から,LLMREIは人間のインタビュアーと同じような誤りを犯し,要求の大部分を抽出し,文脈に依存した質問を生成できることが示唆された。
論文 参考訳（メタデータ） (2025-07-03T12:18:05Z) - FieldWorkArena: Agentic AI Benchmark for Real Field Work Tasks [52.47895046206854]
FieldWorkArenaは、現実世界のフィールドワークをターゲットにしたエージェントAIのベンチマークである。
本稿では、エージェントAIが現実世界の作業環境ベンチマークのために持つべき新しいアクション空間を定義する。
論文 参考訳（メタデータ） (2025-05-26T08:21:46Z) - General Scales Unlock AI Evaluation with Explanatory and Predictive Power [57.7995945974989]
ベンチマークはAIの進歩を導くものだが、汎用AIシステムには限られた説明力と予測力を提供している。
私たちは、一般的なAIベンチマークが実際に何を計測しているかを説明することができる、AI評価のための一般的な尺度を紹介します。
私たちの完全に自動化された方法論は、飽和しない一般的なスケールにインスタンス要求を配置する18の新しく作られたルーリックの上に構築されます。
論文 参考訳（メタデータ） (2025-03-09T01:13:56Z) - QLASS: Boosting Language Agent Inference via Q-Guided Stepwise Search [89.97082652805904]
提案するQLASS(Q-guided Language Agent Stepwise Search)は,Q-valueを推定してアノテーションを自動的に生成する。
ステップワイズガイダンスにより、言語エージェントが長期的価値に適応できるようにQ誘導型生成戦略を提案する。
我々はQLASSが質的分析によってより効果的な意思決定につながることを実証的に実証した。
論文 参考訳（メタデータ） (2025-02-04T18:58:31Z)
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。