論文の概要: FormBharo: Designing and Evaluating a Voice Agent for Conversational Form Filling in Rural India

• arxiv url: http://arxiv.org/abs/2608.06027v1
• Date: Thu, 06 Aug 2026 13:34:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.926321
• Title: FormBharo: Designing and Evaluating a Voice Agent for Conversational Form Filling in Rural India
• Title（参考訳）: FormBharo:インド農村部における会話型フォームフィリングのための音声エージェントの設計と評価
• Abstract要約: インドでは、ほとんどすべての社会的利益は形式から始まるが、これらの利益を必要とする人々は、しばしば読むことも書くこともできない。 私たちはFormBharoという音声エージェントを開発しました。これは、タイトなレイテンシとコストの予算の下で、電話で構造化フォームを埋めるものです。 ARMMANはインドで大規模な母子保健プログラムを運営しているNGOだ。
• 参考スコア（独自算出の注目度）: 1.044278511386956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In India, almost every social benefit starts with a form, yet the people who need these benefits most are often unable to read or write. Reaching them requires a spoken conversation. Today that work falls to frontline health workers who enroll beneficiaries one at a time, a poor use of stretched capacity. We built FormBharo ("fill the form" in Hindi), a voice agent that fills a structured form over a phone call under tight latency and cost budgets by pairing Large Language Models (LLMs) with deterministic, rule-based validation and flow control. It is being piloted with ARMMAN, an NGO running large-scale maternal and child mobile-health programs in India, to enroll low-income, Hindi-speaking mothers in antenatal and postnatal care. To our knowledge, it is the first voice agent piloted to fill an enrollment form for this population. We openly release FormVoiceAgentBench, a benchmark pairing human-recorded Hindi audio with 3,760 multi-turn conversation tests across 960 simulated calls, to evaluate our agent's components (transcription, extraction, reply generation) and end-to-end form completion under real acoustic variations. Form completion drops by up to ~41 points when LLMs receive error-prone real-speech transcripts instead of reference ones. The rule-based controls recover many turn-level extraction errors, helping smaller, cheaper models match or surpass frontier models on form completion. Component performance does not predict end-to-end performance: GPT-5.5 leads turn-level extraction accuracy on reference transcripts (99.8%) but ranks lower on form completion. Since errors both propagate and cancel across the pipeline, the optimal model choice of models emerges only through end-to-end evaluation. Finally, no single model is best across accuracy, cost, and latency at once, so we use a Pareto-based weighted-sum scalarization to select a deployable configuration balancing the three.
• Abstract（参考訳）: インドでは、ほとんどすべての社会的利益は形式から始まるが、これらの利益を必要とする人々は、しばしば読むことも書くこともできない。 理解するには会話が必要だ。 今日、その仕事は1度に1人の受益者を収容する最前線の医療従事者に降り注ぐ。 我々は,音声エージェントであるFormBharo(Hindiでフォームを埋める)を構築した。これは,決定論的かつルールベースの検証とフロー制御を備えたLarge Language Models(LLMs)を組み合わせることで,タイトなレイテンシとコスト予算の下で電話で構造化フォームを埋める。 インドで大規模な母子保健プログラムを運営しているNGOのARMMANと共同で、低所得のヒンディー語話者の母親を産後・産後医療に導入する。 我々の知る限り、これはこの人口の入学形態を満たすためにパイロットされた最初の音声エージェントである。 我々は,実音響変化下でエージェントのコンポーネント(書き起こし,抽出,応答生成)とエンドツーエンドのフォーム補完を評価するために,Hindiオーディオと960のシミュレートされたコール間で3,760のマルチターン会話テストを組み合わせたベンチマークであるFormVoiceAgentBenchをオープンにリリースした。 フォームコンプリートは、LLMが参照ではなく、エラーを起こしやすい実音声の書き起こしを受け取ると、最大41ポイントまで低下する。 ルールベースのコントロールは多くのターンレベルの抽出エラーを回復し、より小さく安価なモデルがフォーム完了時にフロンティアモデルと一致するか、あるいは越すのに役立つ。 GPT-5.5は参照文字のターンレベルの抽出精度(99.8%)を誘導するが、フォームの完成度は低い。 エラーはパイプラインをまたいで伝播しキャンセルするので、モデルの最適なモデル選択はエンドツーエンドの評価によってのみ現れる。 最後に、正確性、コスト、レイテンシを一度に比較して最高のモデルはないので、Paretoベースの重み付きサムスキャラライゼーションを使用して、3つのバランスの取れたデプロイ可能な構成を選択します。

関連論文リスト

• SpeechGym: An Audio-Native Gym for Training Voice Agents via Reinforcement Learning [24.07999549415095]
  SpeechGymは、2つのOmniモードモデルがネイティブオーディオで会話する、オーディオネイティブなエージェント環境である。 本稿では、2つのOmniモードモデルがネイティブオーディオで会話する音声ネイティブなエージェント環境であるSpeechGymを紹介する。
  論文  参考訳（メタデータ） (2026-08-26T22:16:05Z)
• Balancing Coverage and Draft Latency in Vocabulary Trimming for Faster Speculative Decoding [1.14219428942199]
  ドラフト語彙を高いカバレッジで最大97%削減しながら、投機的復号化のスループットを向上させる。 ドメイン固有のタスクでは、レイテンシの最大16%の削減と20%のスループット改善を実現し、さまざまなアウト・オブ・ディストリビューションタスクで最大6.7%のスループット向上を実現しています。
  論文  参考訳（メタデータ） (2026-03-05T14:20:22Z)
• PrefixNLI: Detecting Factual Inconsistencies as Soon as They Arise [60.63315470285562]
  MiniTruePrefixesは、テキストプレフィックスよりも事実上の矛盾をよりよく検出する、新しい特殊モデルである。 制御されたデコードフレームワークにMiniTruePrefixesを組み込むことで,抽象的な要約における現実の一貫性が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-11-03T09:07:44Z)
• Bayesian Social Deduction with Graph-Informed Language Models [3.7540464038118633]
  社会的推論は、大きな言語モデルにとって難しい課題である。 本稿では,信念推論を構造化確率モデルに外部化するハイブリッド推論フレームワークを提案する。 提案手法はエージェント・エージェント・プレイにおけるより大きなモデルとの競合性能を実現する。
  論文  参考訳（メタデータ） (2025-06-21T18:45:28Z)
• Pretraining Language Models to Ponder in Continuous Space [50.52734567589996]
  単一のトークン生成ステップ内で,前処理を繰り返し呼び出すことによって,この思考プロセスを言語モデルに導入する。 人間のアノテーションを使わずに、自己教師付き学習を通じて、この方法でモデルを学習できることが示される。
  論文  参考訳（メタデータ） (2025-05-27T03:47:33Z)
• Leveraging Language Models for Automated Patient Record Linkage [0.5461938536945723]
  本研究では,言語モデルを用いた患者記録自動リンクの実現可能性について検討した。 我々はミズーリ癌登録研究センターの実際の医療データを活用している。
  論文  参考訳（メタデータ） (2025-04-21T17:41:15Z)
• Findings of the BabyLM Challenge: Sample-Efficient Pretraining on Developmentally Plausible Corpora [84.03928547166873]
  子どもたちは1億ワード未満の入力から言語を習得できる。 大規模な言語モデルはデータ効率がはるかに低く、通常は3～4桁以上のデータを必要とするが、多くの評価において人間ほど性能は高くない。 BabyLM Challengeは、参加者が固定データ予算で言語モデルトレーニングを最適化するために競う共同作業である。
  論文  参考訳（メタデータ） (2025-04-10T23:22:43Z)
• Sample, Don't Search: Rethinking Test-Time Alignment for Language Models [55.2480439325792]
  新しいテストタイムアライメントアプローチであるQAlignを紹介します。 テスト時間計算をスケールする際、QAlignは各プロンプトの最適配向分布からのサンプリングに収束する。 マルコフ連鎖モンテカルロのテキスト生成における最近の進歩を取り入れることで、基礎となるモデルを変更したり、ロジットアクセスを必要とせずに、より良い整合出力を可能にする。
  論文  参考訳（メタデータ） (2025-04-04T00:41:40Z)
• From Modular to End-to-End Speaker Diarization [3.079020586262228]
  本稿では、VBxとして知られるxベクトル(ニューラルネットワークで得られた話者埋め込み)をクラスタリングするために使用されるベイズ隠れマルコフモデルに基づくシステムについて述べる。 本稿では,話者の旋回や重なり合いの観点から,実際の会話に類似した合成データを生成する手法について述べる。 本稿では,この「模擬会話」生成手法が,一般的なEENDのトレーニングにおいて,従来提案されていた「模擬混合」生成方法よりも優れた性能を実現する方法を示す。
  論文  参考訳（メタデータ） (2024-06-27T15:09:39Z)
• DAISY: Data Adaptive Self-Supervised Early Exit for Speech Representation Models [55.608981341747246]
  本稿では,データ適応型自己監督早期退避(DAISY)を導入する。 DAISYの適応性に関する分析では、ノイズの多いデータ上で(より多くのレイヤを使用して)遅い時間に、クリーンデータ上で(より少ないレイヤを使用して)モデルが早期に(より少ないレイヤを使用して)終了することを示しています。
  論文  参考訳（メタデータ） (2024-06-08T12:58:13Z)
• Adapting an ASR Foundation Model for Spoken Language Assessment [40.402050390096456]
  正確で信頼性の高い音声言語評価システムの重要な部分は、基礎となるASRモデルである。 近年、Whisperのような大規模な事前訓練されたASRファンデーションモデルが利用可能になっている。 これらのモデルでは、出力の反響やためらう傾向にある。 ここでは、候補者が言ったことを正確に書き起こす必要がある。
  論文  参考訳（メタデータ） (2023-07-13T16:01:58Z)
• Improving Code Generation by Training with Natural Language Feedback [69.52985513422381]
  自然言語フィードバックから学習するアルゴリズムを訓練時に形式化し、それをILF(Language Feedback)と呼ぶ。 ILFはトレーニング中に少量の人間によるフィードバックしか必要とせず、テスト時に同じフィードバックを必要としないため、ユーザフレンドリでサンプル効率がよい。 Instly Basic Python Problems (MBPP)ベンチマークでは、ICFを使用してCodegen-Mono 6.1Bモデルのpass@1レートを38%改善しています。
  論文  参考訳（メタデータ） (2023-03-28T16:15:31Z)
• Zemi: Learning Zero-Shot Semi-Parametric Language Models from Multiple Tasks [77.90900650816046]
  ゼロショットセミパラメトリック言語モデルである$textZemi$を紹介します。 私たちは、新しいセミパラメトリックマルチタスクによるトレーニングパラダイムで、textZemi$をトレーニングします。 具体的には、大規模タスクに依存しない未ラベルコーパスからの検索により、マルチタスクトレーニングとゼロショット評価を強化する。
  論文  参考訳（メタデータ） (2022-10-01T04:08:50Z)

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。