論文の概要: Clarify User Expertise: Towards Proactive Conversational Agents Tailoring Responses to User Proficiency

• arxiv url: http://arxiv.org/abs/2608.22266v2
• Date: Wed, 26 Aug 2026 06:46:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:14.966524
• Title: Clarify User Expertise: Towards Proactive Conversational Agents Tailoring Responses to User Proficiency
• Title（参考訳）: ユーザエキスパートの明確化: ユーザの熟達度に反応するプロアクティブな会話エージェントを目指して
• Abstract要約: PASSINGは、ターゲットの問い合わせを通じて、エージェントがユーザーの専門知識を積極的に明らかにすることを目的としている。 私たちのWhat-to-ask戦略とHow-to-ask戦略によって実現されています。 PASSingは、より人間中心の会話エージェントを作るための重要なステップであると考えています。
• 参考スコア（独自算出の注目度）: 6.18568175234607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the context of information seeking, conversational agents are undergoing an evolution from reactive tools to proactive, personalized assistants. A critical aspect of this evolution is the ability to tailor strategic interactions to a user's unique needs and expectations. Unlike existing studies that focus on proactively clarifying query ambiguities, we center on clarifying the user's expertise in order to tailor responses for better user comprehension. We find that existing agents struggle to determine user expertise from queries alone, a limitation that prevents them from dynamically adapting their responses. To address this gap, we introduce PASSING to empower the agent to proactively clarify a user's expertise through targeted inquiries. This is achieved by our What-to-ask and How-to-ask strategies, induced by LLM self-play. Our extensive experiments also show our superiority. We believe that PASSING represents a crucial step towards creating more human-centric conversational agents.
• Abstract（参考訳）: 情報検索の文脈では、会話エージェントは、リアクティブツールからプロアクティブでパーソナライズされたアシスタントへと進化している。 この進化の重要な側面は、ユーザのユニークなニーズと期待に合わせて戦略的相互作用を調整できることです。 クエリのあいまいさを積極的に明らかにすることに焦点を当てた既存の研究とは違って,ユーザの理解を深めるために,ユーザの専門知識を明確にすることに注力する。 既存のエージェントがクエリのみからユーザの専門知識を決定するのに苦労していることが分かっています。 このギャップに対処するため,我々はPASSingを導入し,エージェントに対して,ターゲットとした質問を通じてユーザの専門知識を積極的に明らかにする。 私たちのWhat-to-ask戦略とHow-to-ask戦略によって実現されています。 私たちの広範な実験は、私たちの優位性も示しています。 PASSingは、より人間中心の会話エージェントを作るための重要なステップであると考えています。

関連論文リスト

• Rethinking Experience Utilization in Self-Evolving Language Model Agents [51.10420305280499]
  自己進化剤は過去の相互作用から経験を蓄積し再利用することで改善する。 本稿では,自己進化型エージェントの重要設計次元としての利用経験について考察する。
  論文  参考訳（メタデータ） (2026-05-08T02:48:49Z)
• SpeakRL: Synergizing Reasoning, Speaking, and Acting in Language Models with Reinforcement Learning [46.70182219204539]
  SpeakRLは、エージェントの会話能力を高めるための強化学習(RL)手法である。 本稿では,会話行動に対する報酬設計の体系的分析を行い,行動に対する質問のバランスをとるための指導者のための原則的報酬定式化を提案する。
  論文  参考訳（メタデータ） (2025-12-15T10:08:53Z)
• Adaptive Multi-Agent Response Refinement in Conversational Systems [33.2240994465021]
  大規模言語モデル (LLM) は人間のような応答を生成することで会話システムにおいて顕著な成功を収めた。 特にパーソナライズや特定の知識を考慮に入れる必要がある場合、それらは不足する可能性がある。 本稿では,各エージェントが各アスペクトに対して特定の役割を割り当てられるマルチエージェントフレームワークによる応答の精細化を提案する。
  論文  参考訳（メタデータ） (2025-11-11T14:48:34Z)
• 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)
• ECLAIR: Enhanced Clarification for Interactive Responses in an Enterprise AI Assistant [10.954831867440332]
  ECLAIR (Enhanced CLArification for Interactive Responses) は対話的曖昧化のための多エージェントフレームワークである。 ECLAIRは、カスタムエージェントが定義された対話的なプロセス、エージェントによるあいまいさ推論の実行、明確化質問の生成、最終応答の洗練にユーザフィードバックを活用することで、あいまいなユーザクエリの明確化を促進する。 実世界の顧客データでテストすると、ECLAIRは標準的な数ショット法と比較して、明確化質問生成の大幅な改善を示している。
  論文  参考訳（メタデータ） (2025-03-19T23:13:34Z)
• ProductAgent: Benchmarking Conversational Product Search Agent with Asking Clarification Questions [68.81939215223818]
  ProductAgentは,戦略的明確化質問生成機能と動的製品検索機能を備えた対話情報探索エージェントである。 我々は,製品特徴の要約,クエリ生成,製品検索のための戦略を持ったエージェントを開発する。 実験の結果,ProductAgentはユーザとポジティブに対話し,対話のターンの増加に伴う検索性能の向上を図っている。
  論文  参考訳（メタデータ） (2024-07-01T03:50:23Z)
• Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents [110.25679611755962]
  現在の言語モデル駆動エージェントは、しばしば効果的なユーザ参加のメカニズムを欠いている。 Intention-in-Interaction (IN3) は明示的なクエリを通してユーザの暗黙の意図を検査するための新しいベンチマークである。 私たちは、タスクの曖昧さを積極的に評価し、ユーザの意図を問う強力なモデルであるMistral-Interactを経験的に訓練し、それらを実行可能な目標へと洗練させます。
  論文  参考訳（メタデータ） (2024-02-14T14:36:30Z)
• Improving Knowledge Extraction from LLMs for Task Learning through Agent Analysis [4.055489363682198]
  大規模言語モデル(LLM)は、タスク学習の知識源として大きな可能性を秘めている。 プロンプト工学は、LLMから知識を引き出すのに有効であることが示されているが、同時に、新しいタスクを具現化したエージェント学習のための、適切な、状況に根ざした知識を得るには不十分である。 本稿では,認知エージェントアプローチであるSTARSについて述べる。これは,迅速なエンジニアリングを拡張し,その制限を緩和し,エージェントがネイティブ言語能力,具体化,環境,ユーザ嗜好に適合する新たなタスク知識を取得できるようにする。
  論文  参考訳（メタデータ） (2023-06-11T20:50:14Z)
• Interacting with Non-Cooperative User: A New Paradigm for Proactive Dialogue Policy [83.61404191470126]
  インタラクティブな環境下でプロアクティブなポリシーを学習できるI-Proという新しいソリューションを提案する。 具体的には,4つの要因からなる学習目標重みを通じてトレードオフを学習する。 実験の結果,I-Proは,有効性と解釈性において,ベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-04-07T14:11:31Z)

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。