論文の概要: Structured State Reconciliation for Human-AI Task Handover
- arxiv url: http://arxiv.org/abs/2608.28907v1
- Date: Fri, 28 Aug 2026 22:14:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.781656
- Title: Structured State Reconciliation for Human-AI Task Handover
- Title（参考訳）: 人間-AIタスクハンドオーバのための構造的状態調整
- Abstract要約: タスクテレメトリと人間による報告を共有型タスク状態表現に変換する。
制御された空間マルチタスク環境下で収集した13のタスク状態に対するアプローチを評価する。
- 参考スコア（独自算出の注目度）: 3.559368190131803
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Task handover requires communicating enough current state for a successor to resume work, yet the relevant information is often divided between system records and human observations. System records can be precise and timestamped but only partially observe the task, while human reports capture intent and task knowledge that no log contains but are vulnerable to omission and memory error. We present a provenance-aware pipeline that converts task telemetry and human-authored reports into a shared typed task-state representation, aligns and reconciles their facts, detects conflicts, and generates structured handover reports. We evaluate the approach on 13 paired task states collected in a controlled spatial multitask environment, using task-grounded metrics that estimate the state-reconstruction cost a report would spare a hypothetical recipient and the misinformation burden it would impose. Reconciling both sources preserved greater estimated task-state utility than either the user report or telemetry alone. Relative to a direct end-to-end LLM given the same inputs, structured reconciliation maintained comparable estimated utility while incurring substantially less misinformation, and task-aware rendering retained utility more efficiently (per token) than exhaustive rendering. An exploratory content analysis further shows that human reports contain substantial strategic knowledge that lies outside state-focused metrics. These results support provenance-aware state reconciliation as a design pattern for safer AI-assisted handover.
- Abstract（参考訳）: タスクのハンドオーバは、後継が仕事を再開するのに十分な現在の状態を伝える必要があるが、関連する情報はシステム記録と人間の観察の間で分割されることが多い。
システムレコードは正確かつタイムスタンプで監視できるが、人間の報告では意図やタスクの知識を捉えており、ログは含まないが省略やメモリエラーに対して脆弱である。
本稿では,タスクテレメトリとヒューマンオーサリングによる報告を共有型タスク状態表現に変換し,その事実を調整・調整し,矛盾を検知し,構造化されたハンドオーバレポートを生成する,課題認識パイプラインを提案する。
制御された空間マルチタスク環境において収集された13のタスク状態に対するアプローチを,レポートが仮説的受信者やそれが課す誤った情報負担を省くために,状態再構成コストを見積もるタスクグラウンドメトリクスを用いて評価した。
どちらのソースも、ユーザレポートやテレメトリ単独よりも、推定されたタスク状態のユーティリティを維持できる。
同じ入力を与えられた直接のエンドツーエンドのLCMに対して、構造化された和解は推定ユーティリティを同等に維持し、誤情報はかなり少なく、タスク認識レンダリングは総括レンダリングよりも効率よく(トークン単位で)保持した。
探索的コンテンツ分析により、人間の報告には、国家に焦点を絞ったメトリクスの外にあるかなりの戦略的知識が含まれていることが示される。
これらの結果は、より安全なAI支援ハンドオーバの設計パターンとして、前向きな状態調整をサポートする。
関連論文リスト
- Task-State Adaptation with Prototype Memory for Multi-Task Dense Prediction [65.90697836568579]
本研究では,グローバルな視覚的コンテキストからタスク状態を推定するマルチタスク高密度予測フレームワークを提案する。
MemMTLは学習可能なタスク状態のプロトタイプメモリを通じてそれを洗練する。
個別のタスク非依存残差銀行は共通の適応パスを提供する。
論文 参考訳（メタデータ） (2026-08-28T08:48:22Z) - What Makes Software Issue Resolution Tasks Difficult for Agents? [5.974359772961166]
問題解決タスクのエージェント成功率に対応するソフトウェアタスクの構造特性について検討する。
コーディングエージェントトラジェクトリの最大オープンデータセットであるCoderForge-Previewについて,大規模な実証的研究を行った。
論文 参考訳（メタデータ） (2026-08-18T19:59:16Z) - Intent-Driven Situation Tracking for User-Centric Multi-Turn Agents [4.138547191663224]
Intent-Driven situation states (IDSS) は、対話と並行して明示的な状況を維持する訓練不要のフレームワークである。
IDSSパースツールは、証明可能なエンティティと属性に返却され、ユーザの意図、必要な変数、制約、実行状態を追跡し、アクション実行可能性の更新のためにタスク制約に新しい事実を伝達する。
論文 参考訳（メタデータ） (2026-08-16T14:14:07Z) - From Transcripts to AI Agents: Knowledge Extraction, RAG Integration, and Robust Evaluation of Conversational AI Assistants [0.0]
顧客向け産業向けの信頼できる会話AIアシスタントの構築は、ノイズの多い会話データ、断片化された知識、正確なヒューマンハンドオフの必要性により、依然として困難である。
本稿では,履歴書から直接対話型AIアシスタントを構築し,評価するためのエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-26T07:44:47Z) - Towards Automated Situation Awareness: A RAG-Based Framework for Peacebuilding Reports [2.230742111425553]
本稿では,状況認識レポートを自律的に生成する動的検索・拡張生成システムを提案する。
本システムでは,要求に基づく問合せ固有の知識ベースを構築し,時間的,関連性,正確な洞察を確保する。
このシステムは、複数の実世界のシナリオでテストされ、一貫性があり、洞察力があり、実行可能なレポートを生成する効果を実証している。
論文 参考訳（メタデータ） (2025-05-14T16:36:30Z) - Learning Task Representations from In-Context Learning [67.66042137487287]
大規模言語モデル(LLM)は、文脈内学習(ICL)において顕著な習熟性を示した。
ICLプロンプトにおけるタスク情報をアテンションヘッドの関数として符号化するための自動定式化を導入する。
提案手法は,テキスト中の実演からタスク固有の情報を抽出し,テキストと回帰タスクの両方で優れる。
論文 参考訳（メタデータ） (2025-02-08T00:16:44Z) - Distribution Matching for Multi-Task Learning of Classification Tasks: a
Large-Scale Study on Faces & Beyond [62.406687088097605]
マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。
MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。
本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
論文 参考訳（メタデータ） (2024-01-02T14:18:11Z) - Zero-Shot Information Extraction as a Unified Text-to-Triple Translation [56.01830747416606]
我々は、テキストから3つの翻訳フレームワークに一連の情報抽出タスクを投入した。
タスク固有の入力テキストと出力トリプルの変換としてタスクを形式化する。
本稿では,オープン情報抽出におけるゼロショット性能について検討する。
論文 参考訳（メタデータ） (2021-09-23T06:54:19Z) - Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。
マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。
タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
論文 参考訳（メタデータ） (2021-04-28T16:45:56Z) - Robust Learning Through Cross-Task Consistency [92.42534246652062]
クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。
クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
論文 参考訳（メタデータ） (2020-06-07T09:24:33Z) - Probing Linguistic Features of Sentence-Level Representations in Neural
Relation Extraction [80.38130122127882]
ニューラルリレーション抽出(RE)に関連する言語特性を対象とした14の探索タスクを導入する。
私たちは、40以上の異なるエンコーダアーキテクチャと2つのデータセットでトレーニングされた言語的特徴の組み合わせによって学習された表現を研究するためにそれらを使用します。
アーキテクチャによって引き起こされるバイアスと言語的特徴の含意は、探索タスクのパフォーマンスにおいて明らかに表現されている。
論文 参考訳（メタデータ） (2020-04-17T09:17:40Z)
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。