論文の概要: hoBIT: A Profile-Aware Retrieval-Augmented Chatbot for University Academic Advising

• arxiv url: http://arxiv.org/abs/2608.26604v1
• Date: Thu, 27 Aug 2026 04:40:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.243486
• Title: hoBIT: A Profile-Aware Retrieval-Augmented Chatbot for University Academic Advising
• Title（参考訳）: hoBIT:大学教師のためのプロフィール対応検索チャットボット
• Abstract要約: 学術的な助言では、同一の質問は、生徒の部署、入学コホート、学位プログラムによって異なる回答を必要とすることがある。 本稿では,hoBITをプロファイル対応検索拡張生成(RAG)システムに変換する方法であるproFILLを提案する。 実験と人間の嗜好調査では、proFILLは多様なRAGベースラインを上回り、ターゲットユーザによって好まれ、コスト効率の高いオンプレミス展開のためのオープンウェイトモデルでは有効である。
• 参考スコア（独自算出の注目度）: 18.584750219917566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In university academic advising, identical questions can require different answers depending on a student's department, admission cohort, and degree program, causing profile-blind retrievers to surface plausible but inapplicable evidence. We present proFILL, a method for transforming hoBIT, our college's current rule-based advising chatbot, into a profile-aware retrieval-augmented generation (RAG) system. Rather than requiring a complete user profile upfront, proFILL progressively acquires only the profile attributes needed for each query, guided by both the query intent and the initially retrieved evidence, and uses them to condition retrieval over a profile-aware index. Extensive experiments and a human preference study show that proFILL outperforms diverse RAG baselines, is preferred by target users, and remains effective with open-weight models for cost-effective on-premise deployment.
• Abstract（参考訳）: 大学生の助言では、同一の質問は、学生の部署、入学コホート、学位プログラムによって異なる答えを必要とする可能性がある。 本稿では,現在のルールベースの助言チャットボットであるhoBITを,プロファイル対応検索拡張生成システム(RAG)に変換する方法であるproFILLを提案する。 proFILLは、完全なユーザプロファイルを事前に要求するのではなく、クエリインテントと最初に取得されたエビデンスの両方によってガイドされる各クエリに必要なプロファイル属性のみを段階的に取得し、プロファイル認識インデックス上での条件検索に使用する。 大規模な実験と人間の嗜好調査により、proFILLは多様なRAGベースラインより優れており、ターゲットユーザーによって好まれており、コスト効率の高いオンプレミス展開のためのオープンウェイトモデルでも有効であることが示されている。

関連論文リスト

• R$^3$AG: Retriever Routing for Retrieval-Augmented Generation [59.47703698994575]
  R$3$AGは、検索機能を2つの学習可能なディメンション、すなわち検索品質と生成ユーティリティに分解する。 R$3$AGは、最高の個々のレトリバーと最先端の静的ルーティングメソッドの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-22T06:51:20Z)
• gencat: Generative computerized adaptive testing [1.0162911785128765]
  本稿では,知識推定と質問選択に大規模言語モデルを活用する新しいCATフレームワークであるgenCATを提案する。 まず、学生のオープンな回答から学生の知識を推定し、目に見えない質問に対する反応を予測するための生成項目応答理論(GIRT)モデルを開発する。 第2に、不確実性、言語的多様性、およびサンプリングされた学生の反応情報に基づいて、GIRTモデルの生成能力を利用する3つの質問選択アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2026-02-23T16:28:46Z)
• Learning to Reason for Multi-Step Retrieval of Personal Context in Personalized Question Answering [39.08300602619814]
  QA(Personalization in Question Answering)は、ユーザーの背景、好み、歴史的文脈に合致した正確で正確な回答を必要とする。 個人化のための個人的コンテキストからの推論と検索を統合した強化学習フレームワークPR2を提案する。
  論文  参考訳（メタデータ） (2026-02-22T19:43:43Z)
• Towards a Real-World Aligned Benchmark for Unlearning in Recommender Systems [49.766845975588275]
  推薦システムにおける非学習のためのより現実的なベンチマークの開発を導くために,設計デシダータと研究質問のセットを提案する。 我々は、現実世界の削除要求の逐次的で時間に敏感な性質を反映した、未学習のセットアップについて論じる。 本稿では,提案したdesiderataをベースとした次世代レコメンデーションセッティングの予備実験を行い,アンラーニングが逐次レコメンデーションモデルにも有効であることを確認した。
  論文  参考訳（メタデータ） (2025-08-23T16:05:40Z)
• PrLM: Learning Explicit Reasoning for Personalized RAG via Contrastive Reward Optimization [4.624026598342624]
  検索したユーザプロファイルを明示的に推論するために,LLMをトレーニングする強化学習フレームワークであるPrLMを提案する。 PrLMは、注釈付き推論パスを必要とせずに、ユーザの応答から効果的に学習する。 3つのパーソナライズされたテキスト生成データセットの実験は、PrLMが既存の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-08-10T13:37:26Z)
• Unimib Assistant: designing a student-friendly RAG-based chatbot for all their needs [1.0805849839756092]
  このパイロットスタディは,OpenAIカスタムGPT機能を用いた検索・拡張生成(RAG)システムによるChatGPT動作の専門化に重点を置いている。 我々はミラノ・ビコッカ大学(Unimib)の学生の特定のニーズに対する情報と解決策を提供するUnimib Assistantを開発した。 ユーザの満足度と全体的な経験は、システムが常に正確な情報を提供することができないことで損なわれた。
  論文  参考訳（メタデータ） (2024-11-29T09:07:21Z)
• Prompt Tuning as User Inherent Profile Inference Machine [68.16976932088708]
  本稿では,ユーザプロファイルの推測にプロンプトチューニングを用いるUserIP-Tuningを提案する。 UserIP-Tuningは最先端のレコメンデーションアルゴリズムより優れている。 提案されたソリューションは2025年5月からHuawei AppGalleryのExploreページにデプロイされている。
  論文  参考訳（メタデータ） (2024-08-13T02:25:46Z)
• Addressing Selection Bias in Computerized Adaptive Testing: A User-Wise Aggregate Influence Function Approach [14.175555669521987]
  本稿では,選択バイアス問題に対処するユーザ・ワイド・アグリゲート・インフルエンス関数法を提案する。 私たちの直感は、レスポンスデータが集約的に大きく偏っているユーザをフィルタリングすることです。
  論文  参考訳（メタデータ） (2023-08-23T04:57:21Z)
• Socratic Pretraining: Question-Driven Pretraining for Controllable Summarization [89.04537372465612]
  ソクラティック事前訓練は、要約タスクにおける制御性を改善するために設計された、質問駆動で教師なし事前訓練の目的である。 以上の結果から,Socraticプレトレーニングはタスク固有のラベル付きデータ要件を半分に削減することがわかった。
  論文  参考訳（メタデータ） (2022-12-20T17:27:10Z)
• B-Pref: Benchmarking Preference-Based Reinforcement Learning [84.41494283081326]
  我々は、好みベースのRL用に特別に設計されたベンチマークであるB-Prefを紹介する。 このようなベンチマークにおける重要な課題は、候補アルゴリズムをすばやく評価する機能を提供することだ。 B-Prefは、幅広い不合理性を持つ教師をシミュレートすることでこれを緩和する。
  論文  参考訳（メタデータ） (2021-11-04T17:32:06Z)
• Information Directed Reward Learning for Reinforcement Learning [64.33774245655401]
  我々は、標準rlアルゴリズムが可能な限り少数の専門家クエリで高い期待値を達成することができる報酬関数のモデルを学ぶ。 特定のタイプのクエリ用に設計された以前のアクティブな報酬学習方法とは対照的に、IDRLは自然に異なるクエリタイプに対応します。 我々は,複数の環境における広範囲な評価と,異なるタイプのクエリでこの結果を支持する。
  論文  参考訳（メタデータ） (2021-02-24T18:46:42Z)

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。