論文の概要: When Less Is More: An Empirical Study of Minimal Responses in Counseling Dialogues and the Behavior of LLMs
- arxiv url: http://arxiv.org/abs/2608.24080v2
- Date: Sat, 29 Aug 2026 06:50:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 13:34:07.56293
- Title: When Less Is More: An Empirical Study of Minimal Responses in Counseling Dialogues and the Behavior of LLMs
- Title（参考訳）: 小さければ:会話における最小応答とLLMの挙動に関する実証的研究
- Abstract要約: 本稿では,複数のカウンセリング対話データセットにまたがる最小応答の体系的言語間比較分析を行う。
発話長と内容に基づく2段階フィルタリング法を開発し, 大規模言語モデル(LLM)を用いた文脈検証を行った。
我々の分析では、最小応答は人間の収集したデータセットでは一般的であるが、LLM生成データセットではほとんど表現されない。
- 参考スコア（独自算出の注目度）: 2.182860197562025
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In psychological counseling, effective support is not always delivered through long, information-rich responses. Minimal responses, such as backchannel cues and concise empathic statements, help convey attentive listening, express empathy, and encourage clients to continue expressing themselves. However, existing counseling dialogue systems and evaluation frameworks often favor explicit, content-rich replies, overlooking the interactional value of brief counselor utterances. This paper presents a systematic cross-lingual analysis of minimal responses across multiple counseling dialogue datasets. We develop a two-stage filtering method based on utterance length and content, followed by contextual verification using a large language model (LLM). Our analysis shows that minimal responses are common in human-collected datasets but substantially underrepresented in LLM-generated ones. We further evaluate current LLMs in manually curated dialogue contexts where human counselors used minimal responses. The results show that strong commercial LLMs are capable of generating minimal responses when explicitly instructed, but still struggle to determine when such responses are appropriate. Counseling-specific models trained on synthetic data perform particularly poorly, tending instead to produce longer and more information-rich responses. Moreover, LLM-based response-quality evaluation may undervalue minimal responses, even when they are interactionally appropriate.
- Abstract（参考訳）: 心理的カウンセリングでは、効果的なサポートは必ずしも長く情報に富んだ反応によって行われるとは限らない。
バックチャネルキューや簡潔な共感文のような最小限の応答は、注意深い聞き取り、共感を表明し、クライアントが自身の表現を続けることを奨励する。
しかし、既存のカウンセリング対話システムや評価フレームワークは、短いカウンセラー発話の相互作用価値を見越して、明示的で内容に富んだ回答を好んでいることが多い。
本稿では,複数のカウンセリング対話データセットにまたがる最小応答の体系的言語間比較分析を行う。
発話長と内容に基づく2段階フィルタリング法を開発し,その後,大規模言語モデル(LLM)を用いた文脈検証を行った。
我々の分析では、最小応答は人間の収集したデータセットでは一般的であるが、LLM生成データセットではほとんど表現されない。
さらに、人間のカウンセラーが最小限の応答を用いた手作業による対話コンテキストにおいて、現在のLLMを評価する。
その結果、商業用LLMは、明示的に指示された場合、最小限の応答を生成できるが、そのような応答が適切であるかどうかを判断するのに依然として苦労していることがわかった。
合成データに基づいて訓練されたカウンセリング固有のモデルは、特に性能が悪く、より長く情報に富んだ応答を生成する傾向にある。
さらに、LLMに基づく応答品質評価は、相互に適切な場合であっても、最小限の応答を過小評価する可能性がある。
関連論文リスト
- Not What, But How: A Framework for Auditing LLM Responses across Positioning, Generalization, Anthromorphism, and Maxims [54.31707479192195]
大規模言語モデル(LLM)は、主観的、情報探索的な疑問に答えるためにますます使われている。
既存の主観的文化的クエリの評価は、応答のフレーム化を無視して、事実の正しさに重点を置いている。
FRANZ(FRAmework for respoNse characteriZation)を導入し、4次元のLLM応答のコミュニケーション監査を行う。
論文 参考訳（メタデータ） (2026-06-01T17:01:31Z) - CARE: Counselor-Aligned Response Engine for Online Mental-Health Support [3.096218674732811]
メンタルヘルスの課題は世界中で増加しており、感情的なサポートサービスに支障をきたし、カウンセラーの過負荷につながっている。
これは、タイムリーな介入が不可欠である自殺のような致命的な状況における遅延反応をもたらす。
本稿では,カウンセラーを支援し,リアルタイムに心理的に整合した応答レコメンデーションを生成するためのフレームワークであるCARE(Counselor-Aligned Response Engine)を提案する。
論文 参考訳（メタデータ） (2026-04-23T07:11:24Z) - Mitigating Semantic Drift: Evaluating LLMs' Efficacy in Psychotherapy through MI Dialogue Summarization [1.877929053436765]
本研究は,心理療法における大規模言語モデル(LLM)の有効性を評価するために,混合メソドス法を用いている。
LLMを用いて、モチベーションインタビュー(MI)対話の正確な要約を生成し、2段階のアノテーションスキームを設計する。
エキスパートアノテートMI対話を基礎となる真実として,多クラス分類タスクを定式化し,プログレッシブプロンプト手法によるモデル性能の評価を行う。
論文 参考訳（メタデータ） (2025-11-28T00:37:58Z) - 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) - Reasoning or Not? A Comprehensive Evaluation of Reasoning LLMs for Dialogue Summarization [9.994839971567542]
本報告では, 最先端の推論LDMと非推論LDMの総合的, 体系的評価について述べる。
他の推論集約的なタスクの傾向とは対照的に、明示的な段階的推論は対話の要約品質を常に改善しない。
論文 参考訳（メタデータ） (2025-07-02T21:02:41Z) - Can LLMs Understand the Implication of Emphasized Sentences in Dialogue? [64.72966061510375]
強調は人間のコミュニケーションにおいて重要な要素であり、対話における純粋テキストを超えて話者の意図と含意を示す。
本稿では,強調の意味を抽出した強調注釈付き対話サンプルを用いたベンチマークであるEmphasized-Talkを紹介する。
オープンソースと商用の両方で様々な大規模言語モデル(LLM)を評価し,その性能を重要視して評価する。
論文 参考訳（メタデータ） (2024-06-16T20:41:44Z) - Emphasising Structured Information: Integrating Abstract Meaning Representation into LLMs for Enhanced Open-Domain Dialogue Evaluation [31.633351104278194]
本フレームワークは,意味表現学習の強化を目的としたゲーティング機構を通じて,AMRグラフ情報を統合する。
本フレームワークは,複数のデータセットにまたがる人間の判断と強い相関関係を達成し,対話評価のための新たなベンチマークを確立する。
論文 参考訳（メタデータ） (2024-04-01T14:11:45Z) - Exploring the Factual Consistency in Dialogue Comprehension of Large Language Models [51.75805497456226]
本研究は,対話要約タスクの助けを借りて,事実整合性の問題に焦点を当てる。
評価の結果,LLMが生成する要約の26.8%が事実整合性を含んでいることがわかった。
LLMの対話理解能力を高めるために,自動構築マルチタスクデータを用いた微調整パラダイムを提案する。
論文 参考訳（メタデータ） (2023-11-13T09:32:12Z) - Prompting and Evaluating Large Language Models for Proactive Dialogues:
Clarification, Target-guided, and Non-collaboration [72.04629217161656]
本研究は, 明瞭化, 目標誘導, 非協調対話の3つの側面に焦点をあてる。
LLMの能動性を高めるために,プロアクティブ・チェーン・オブ・ソート・プロンプト方式を提案する。
論文 参考訳（メタデータ） (2023-05-23T02:49:35Z) - Cue-CoT: Chain-of-thought Prompting for Responding to In-depth Dialogue
Questions with LLMs [59.74002011562726]
我々は、よりパーソナライズされ魅力的な応答を提供するために、新しい言語的キューに基づく思考の連鎖(textitCue-CoT)を提案する。
中国語と英語の6つのデータセットからなる詳細な対話質問を用いたベンチマークを構築した。
実験により,提案手法は,すべてのデータセットにおいて,テクステルパーフルネスとテクスチタアクセプタビリティの両方の観点から,標準的プロンプト法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-05-19T16:27:43Z)
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。