論文の概要: Creating an Atomic User Model for Personality-Aware Large Language Model Interaction
- arxiv url: http://arxiv.org/abs/2609.12086v1
- Date: Thu, 10 Sep 2026 18:11:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.506423
- Title: Creating an Atomic User Model for Personality-Aware Large Language Model Interaction
- Title（参考訳）: 個人性を考慮した大規模言語モデルインタラクションのためのアトミックユーザモデルの構築
- Abstract要約: 原子ユーザモデル(アトミックユーザモデル、Atomic User Model、AUM)は、安定的なアイデンティティー核として人を組織する人間可読表現である。
タスク分類器、コンポーネント選択関数、予算付きレトリバーが生成時にフィールドの小さなペイロードを返すパイプライン。
8つのフィールドを取得することは、コンテキストの23%で完全なユーザモデルのスタイル忠実さと一致した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Assistants built on large language models are expected to write as their user would, and the dominant approach is single-channel: preferences summarised from conversation history and reinserted into context. This inverts the order of inference. Preferences are the task-dependent surface of a comparatively stable personality structure, so a system storing only preferences relearns the person whenever the task changes. First, we characterise personality seepage, where a prompt's linguistic surface carries a personality fingerprint the assistant mirrors without access to the personality behind it. Second, we propose the Atomic User Model (AUM), a human-readable representation organising a person as a stable identity nucleus with four interpretable shells (psychological, cognitive and experiential, behavioural, and social), plus cross-shell entries recording internal conflict and authenticity. Third, we treat AUM as a retrieval index over a person rather than a prompt prefix, with a pipeline where a task classifier, component-selection function and budgeted retriever return a small payload of fields at generation time. Fourth, we evaluate it with sixteen language-model-simulated participants, six style-sensitive tasks and three seeds, plus a synthetic scaling study of the retriever. Retrieving eight fields matched the style fidelity of the full user model on 23% of the context (211 tokens against 915), improved on flat preference notes by 0.24 points on a five-point scale (p < 0.001, dz = 0.50), and raised forced-choice identification of the participant's own voice from 14.9% to 42.7% (25% chance). Four pre-registered controls returned null, locating the effect in the representation rather than the search over it. The benefit is largest for participants the un-personalised assistant reproduces worst (rho = -0.61, p = 0.013): personalisation is worth most to those the default serves least.
- Abstract（参考訳）: 大きな言語モデル上に構築されたアシスタントは、ユーザが望むように書くことが期待され、主要なアプローチはシングルチャネルである。
これは推論の順序を逆転させる。
嗜好は、比較的安定した人格構造におけるタスク依存の表面であり、タスクが変化するたびに、好みだけを記憶するシステムは、その人を引き起こす。
まず,プロンプトの言語的表面が,その背景にある人格にアクセスすることなく,アシスタントミラーの人格指紋を伝達するパーソナリティページを特徴付ける。
第2に、人間を安定的なアイデンティティ核として包括する人間可読性表現である原子ユーザモデル(AUM)を提案し、その内紛と正当性を記録したクロスシェルエントリを4つの解釈可能なシェル(心理学的、認知的、経験的、行動的、社会的)で構成する。
第3に,タスク分類器,コンポーネント選択関数,予算付き検索器が生成時にフィールドの小さなペイロードを返却するパイプラインを用いて,AUMをプロンプトプレフィックスではなく人に対する検索インデックスとして扱う。
第4に,16人の言語モデルシミュレーション参加者,6つのスタイル感受性タスク,3つの種子,およびレトリバーの合成スケーリングによる評価を行った。
8つのフィールドはコンテキストの23%(915に対して211のトークン)で完全なユーザーモデルのスタイル忠実さと一致し、5ポイントのスケール(p < 0.001, dz = 0.50)でフラットな嗜好点を0.24ポイント改善し、参加者自身の声の強制選択を14.9%から42.7%(25%の確率)に引き上げた。
事前登録された4つのコントロールはnullを返す。
参加者にとって最大の利益は、非個人化されたアシスタントが最悪の状態(rho = -0.61, p = 0.013)を再現することである。
関連論文リスト
- A Three-Tier Persona Vector for Controllable User Simulation in Agentic Evaluation [0.9918136378822991]
23の操作次元を持つ3層ペルソナベクトルを提案する。
我々は64,698件の会話で合成データ生成パイプライン内のペルソナモデルを評価する。
論文 参考訳（メタデータ） (2026-09-08T11:28:02Z) - Evaluating the Hidden Costs of Personalization in Large Language Models [55.07935163900691]
我々は,(1)無関係なパーソナライゼーション,(2)不必要な文脈で個人情報を参照するモデル,(2)好みの絞り込み,(2)情報エコーチャンバーを補強するモデル,(3)覚醒バイアス,(3)モデルがユーザの意見に過度に同意するモデル,の3つのリスクを識別する。
我々は、現在のAIアシスタントの体系的な制限を明らかにするために、自動データ生成と調整されたメトリクスを備えた動的評価フレームワークであるPRISKを提案する。
論文 参考訳（メタデータ） (2026-08-28T20:05:12Z) - Enjoy Your Talk: A Human-Centered Benchmark for Multi-Turn Dialogue with Decoupled User Simulation, Target Modeling, and Judging [15.994164469249727]
EYT-Benchは、大規模な言語モデルを評価するための人間中心のベンチマークである。
人体は人体培養コーパスから採取される。
最先端のクローズドおよびオープンソースモデルは、統計的に主観的次元に近接している。
論文 参考訳（メタデータ） (2026-07-11T18:22:49Z) - Adaptive Interviewing for Persona Simulation in LLMs: Evidence-Grounded Reasoning Improves Decision Alignment [23.066564025282386]
構造化された3段階対話を通してペルソナ関連情報を収集するアダプティブ・インタビュー・フレームワークを提案する。
我々は,大規模言語モデルが道徳ジレンマシナリオにおける参加者の決定をシミュレートできるかどうかを評価する。
論文 参考訳（メタデータ） (2026-05-28T06:53:08Z) - PersonaMem-v2: Towards Personalized Intelligence via Learning Implicit User Personas and Agentic Memory [56.81126490418336]
パーソナライゼーションは、AI能力とアライメントの進歩における次のマイルストーンの1つだ。
PersonaMem-v2は300以上のシナリオ、20,000以上のユーザの好み、128kのコンテキストウィンドウで、1,000の現実的なユーザ-チャットボットインタラクションをシミュレートする。
我々はQwen3-4BをトレーニングしてGPT-5を上回り、暗黙のパーソナライゼーションにおいて53%の精度を達成した。
論文 参考訳（メタデータ） (2025-12-07T06:48:23Z) - Large Language Models Can Infer Personality from Free-Form User Interactions [0.0]
GPT-4は、パーソナリティを適度な精度で推測することができ、以前のアプローチよりも優れていた。
その結果,人格評価への直接的注力は,ユーザエクスペリエンスの低下を招いていないことがわかった。
予備的な分析は、人格推定の正確さは、社会デミノグラフィーのサブグループによってわずかに異なることを示唆している。
論文 参考訳（メタデータ） (2024-05-19T20:33:36Z) - Personalized Language Modeling from Personalized Human Feedback [45.16986573937782]
パーソナライズされた大規模言語モデル(LLM)は、個々のユーザの好みに応答するように設計されている。
個人の好みを捉えるために軽量なユーザモデルを利用する効率的なフレームワークであるPersonalized-RLHFを提案する。
P-RLHF を用いて学習したパーソナライズされた LLM は,個々のユーザの好みとより密に一致した応答を生成する。
論文 参考訳（メタデータ） (2024-02-06T04:18:58Z) - Comparing Pre-trained Human Language Models: Is it Better with Human Context as Groups, Individual Traits, or Both? [36.03935815294279]
人間中心の自然言語処理には、人間のコンテキストを言語モデルに組み込む必要がある。
現在、1)グループワイド属性(例:45歳以上)での事前トレーニング、または2)個々の特性の2つの方法が存在する。
事前学習モデルと,1)グループ属性,2)個人属性,3)ユーザレベルと文書レベルの5つのタスクに対する複合アプローチによる人間コンテキストとの比較を行った。
論文 参考訳（メタデータ） (2024-01-23T05:20:35Z) - PsyCoT: Psychological Questionnaire as Powerful Chain-of-Thought for
Personality Detection [50.66968526809069]
PsyCoTと呼ばれる新しい人格検出手法を提案する。これは、個人がマルチターン対話方式で心理的質問を完遂する方法を模倣するものである。
実験の結果,PsyCoTは人格検出におけるGPT-3.5の性能とロバスト性を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2023-10-31T08:23:33Z) - Retrieval-based Disentangled Representation Learning with Natural
Language Supervision [61.75109410513864]
本稿では,VDR(Vocabulary Disentangled Retrieval)を提案する。
提案手法では,両エンコーダモデルを用いて語彙空間におけるデータと自然言語の両方を表現する。
論文 参考訳（メタデータ） (2022-12-15T10:20:42Z) - Partner Matters! An Empirical Study on Fusing Personas for Personalized
Response Selection in Retrieval-Based Chatbots [51.091235903442715]
本稿では,自己とパートナーの話者が応答選択の課題に与える影響について検討する。
4つのペルソナ融合戦略が設計されており、異なる方法でペルソナがコンテキストや応答と相互作用することを前提としている。
Persona-Chatデータセットに関する実証研究は、パートナーペルソナが応答選択の精度を向上させることができることを示している。
論文 参考訳（メタデータ） (2021-05-19T10:32:30Z) - Dialogue History Matters! Personalized Response Selectionin Multi-turn
Retrieval-based Chatbots [62.295373408415365]
本稿では,コンテキスト応答マッチングのためのパーソナライズドハイブリッドマッチングネットワーク(phmn)を提案する。
1) ユーザ固有の対話履歴からパーソナライズされた発話行動を付加的なマッチング情報として抽出する。
ユーザ識別による2つの大規模データセット,すなわちパーソナライズされた対話 Corpus Ubuntu (P-Ubuntu) とパーソナライズされたWeiboデータセット (P-Weibo) のモデルを評価する。
論文 参考訳（メタデータ） (2021-03-17T09:42:11Z) - Large Scale Multi-Actor Generative Dialog Modeling [22.286624163849893]
本稿では,俳優のペルソナにおける複数回会話を確率的にモデル化するために,過去の参照会話を条件づけた言語モデルである生成会話制御モデルを紹介する。
モデルのサイズを117Mから8.3Bに拡大すると、1.7Mの会話で23.14から13.14に改善される。
過去の会話を条件付きでモデル化することで、自動評価において難易度が0.47向上することがわかった。
論文 参考訳（メタデータ） (2020-05-13T01:56:00Z)
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。