Fugu-MT 論文翻訳(概要): How do people plan digitally: An in-the-wild investigation of task planning through a smartphone app

論文の概要: How do people plan digitally: An in-the-wild investigation of task planning through a smartphone app

arxiv url: http://arxiv.org/abs/2609.15904v1
Date: Mon, 14 Sep 2026 17:19:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:06.532005
Title: How do people plan digitally: An in-the-wild investigation of task planning through a smartphone app
Title（参考訳）: スマートフォン・アプリによるタスク・プランニングの実態調査
Abstract要約: 本報告では,広く利用されている日々のプランナーアプリの957ユーザを対象に,24,265タスクのタイムスタンプログを用いたタスクプランニングについて検討した。ライフサイクル全体にわたる各タスクに続いて、生成から完了への直接移行は26.4%に過ぎなかった。一日と長いタスクは不釣り合いに放棄され、77.6%のタスクが予定より遅れて完了した。
参考スコア（独自算出の注目度）: 0.5695579108997391
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Daily planning supports goal attainment and productivity, and people increasingly delegate it to digital tools. Plans are postponed, revised, and left unresolved rather than executed as intended. Understanding these changes requires following tasks from creation through later updates and recorded outcomes. We report an in-the-wild study of task planning using time-stamped logs of 24,265 tasks from 957 users of a widely used daily planner app, observed over six weeks alongside self-reported surveys. Following each task across its lifecycle, only 26.4% moved directly from creation to completion and 32.0% were abandoned; all-day and longer tasks were abandoned disproportionately, and 77.6% of timed tasks were marked complete later than intended. Latent profile analysis of 909 users indicated High Engagement (11.1%), Low Engagement (19.7%), and Passive (69.2%) profiles; active days on app distinguished the profiles and were associated with post-survey completion. These findings support evaluating planning tools across the task lifecycle.
Abstract（参考訳）: デイリープランニングは目標達成と生産性をサポートします。計画は計画通りに実行されるよりも延期され、修正され、未解決のまま残される。これらの変更を理解するには、後続のアップデートと記録された結果を通じて、作成からタスクに従う必要がある。本研究は,約6週間にわたって実施され,24,265件のタスクのタイムスタンプログを用いたタスクプランニングについて検討した。ライフサイクルを通しての各タスクに続き、作成から完成まで直接移行したのは26.4%であり、32.0%は放棄された。 909ユーザーの潜在プロファイル分析では、ハイエンゲージメント(11.1%)、低エンゲージメント(19.7%)、パッシブ(69.2%)のプロファイルが示され、アプリのアクティブデイはプロファイルを区別し、サーベイ後の完了と関連づけられた。これらの結果は、タスクライフサイクル全体にわたる計画ツールの評価を支援する。

関連論文リスト

Argus: A General-Purpose Agentic Reasoning Runtime for Long-Horizon Tasks [38.52523278435824]
Argusは永続的で自己進化的なランタイムで、マネージャ、プランナー、エンジニア、レビューアが耐久性のあるプロジェクトステート上で有界なミッションを実行します。 Argusは、安定したユーザ意図を運用目標、制約、検証基準から切り離し、メモリ、スキル、プロシージャ、バリデーション、ルーティング決定を許可し、ロール所有のレビューと利用可能なタスクネイティブ検証の後にのみ拒否されたルートを承認する。
論文参考訳（メタデータ） (2026-08-05T17:58:58Z)
PlanBench-XL: Evaluating Long-Horizon Planning of LLM Tool-Use Agents in Large-Scale Tool Ecosystems [59.730861364166174]
PlanBench-XLは、327の小売タスクを1,665以上のツールでインタラクティブにベンチマークする。エージェントが使用可能なツールを反復的に検索できるかどうかをテストし、最終目標に対するその後の呼び出しの中間的証拠を明らかにするためにそれらを呼び出す。
論文参考訳（メタデータ） (2026-06-21T08:29:12Z)
Learning on the Job: Test-Time Curricula for Targeted Reinforcement Learning [51.34470146576741]
本稿では,タスク固有のカリキュラムを組み立て,強化学習を適用して目標タスクのモデルのトレーニングを継続するエージェントを提案する。テストタイムカリキュラムは、タスク関連データを自動的に選択することで、データセットの時間を要する人によるキュレーションを避ける。実験により,テストタイムのカリキュラム上での強化学習は,目標タスクにおけるモデルの改善を継続的に行うことを示した。
論文参考訳（メタデータ） (2025-10-06T13:07:14Z)
A Planning Compilation to Reason about Goal Achievement at Planning Time [9.722824469961925]
達成した特定の目標の持続性を強制するコミットアクションを用いて、当初の計画タスクを拡張するコンパイルを提案する。実験結果から,最適化タスクの解決は最適計画と最適計画の両方のオーバーヘッドを伴わないことが明らかとなった。
論文参考訳（メタデータ） (2025-03-12T17:00:37Z)
Hindsight Planner: A Closed-Loop Few-Shot Planner for Embodied Instruction Following [62.10809033451526]
本研究は,Large Language Models (LLM) を用いた Embodied Instruction following (EIF) タスクプランナの構築に焦点をあてる。我々は,このタスクを部分観測可能なマルコフ決定プロセス (POMDP) として構成し,数発の仮定で頑健なプランナーの開発を目指す。 ALFREDデータセットに対する我々の実験は、プランナーが数ショットの仮定で競争性能を達成することを示す。
論文参考訳（メタデータ） (2024-12-27T10:05:45Z)
Recommending and Release Planning of User-Driven Functionality Deletion for Mobile Apps [9.897133491172786]
ソフトウェアを多くの機能で進化させることは、理解性とユーザビリティという面での課題を引き起こします。以前の研究によると、機能の削除は一般的であり、時にはユーザレビューによって引き起こされる。ほとんどのユーザにとって、機能の削除はネガティブな感情と結びつき、使用パターンの変更を促し、ユーザを混乱させる可能性がある。
論文参考訳（メタデータ） (2024-10-09T18:34:20Z)
Propose, Assess, Search: Harnessing LLMs for Goal-Oriented Planning in Instructional Videos [48.15438373870542]
VidAssistは、インストラクショナルビデオにおけるゼロ/フェーショット目標指向の計画のために設計された統合フレームワークである。最適な計画生成のための幅優先探索アルゴリズムを採用している。実験によると、VidAssistは異なる目標指向の計画設定のための統一されたフレームワークを提供する。
論文参考訳（メタデータ） (2024-09-30T17:57:28Z)
Neural MP: A Generalist Neural Motion Planner [75.82675575009077]
運動計画問題にデータ駆動学習を大規模に適用することで,これを実現する。提案手法は, シミュレーションの複雑なシーンを多数構築し, モーションプランナーから専門家のデータを収集し, 反応的なジェネラリストポリシーに抽出する。我々は,4つの異なる環境における64の動作計画タスクについて,その方法の徹底的な評価を行う。
論文参考訳（メタデータ） (2024-09-09T17:59:45Z)
AutoGPT+P: Affordance-based Task Planning with Large Language Models [6.848986296339031]
AutoGPT+Pは、余裕に基づくシーン表現と計画システムを組み合わせたシステムである。提案手法は,現在最先端のLCM計画手法であるSayCanの81%の成功率を超え,98%の成功率を達成した。
論文参考訳（メタデータ） (2024-02-16T16:00:50Z)
Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
論文参考訳（メタデータ） (2022-10-12T15:02:04Z)

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。