論文の概要: E-AVI: Evidence-Grounded Multimodal Assessment for Automated Video Interviews
- arxiv url: http://arxiv.org/abs/2609.20001v1
- Date: Thu, 17 Sep 2026 10:07:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.214952
- Title: E-AVI: Evidence-Grounded Multimodal Assessment for Automated Video Interviews
- Title（参考訳）: E-AVI: 自動ビデオインタビューのマルチモーダル評価
- Abstract要約: マルチモーダルな証拠をタイムスタンプで抽出するエビデンスグラウンドのフレームワークであるE-AVIを提案する。
RecruitViewとプライベートなホスピタリティデータセットでは、E-AVIはランク相関において微調整されたマルチモーダルベースラインを一貫して上回る。
- 参考スコア（独自算出の注目度）: 4.946532640754621
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated video interview assessment integrates verbal content, acoustic delivery, and visual behavior, yet numerical predictions alone provide limited inspectable support. We present E-AVI, an evidence-grounded framework that extracts timestamped multimodal evidence and integrates dimension-conditioned evidence attention with source-level embeddings for scoring. A shared evidence pool further supports natural-language feedback and follow-up question answering. On RecruitView and a private hospitality dataset, E-AVI consistently outperforms fine-tuned multimodal baselines in rank correlation. Ablation, evidence-deletion, bootstrap, human-audit, and QA analyses characterize the predictive contribution, grounding, and practical utility of the evidence pathway. Together, these results demonstrate that our proposed E-AVI framework improves predictive performance while providing inspectable support for assessment, feedback, and interactive analysis.
- Abstract（参考訳）: 自動ビデオインタビューアセスメントは、音声コンテンツ、音響配信、視覚行動を統合するが、数値予測だけで限定的な検査支援を提供する。
E-AVIは,マルチモーダル証拠のタイムスタンプを抽出し,次元条件付エビデンスを評価用ソースレベル埋め込みと統合するエビデンスグラウンドフレームワークである。
共有エビデンスプールは、自然言語フィードバックとフォローアップ質問応答をさらにサポートする。
RecruitViewとプライベートなホスピタリティデータセットでは、E-AVIはランク相関において微調整されたマルチモーダルベースラインを一貫して上回る。
アブレーション、エビデンス削除、ブートストラップ、ヒューマン・オーディット、およびQA分析は、エビデンス・パスの予測的貢献、接地、実用性を特徴づける。
これらの結果から,提案するE-AVIフレームワークは,評価,フィードバック,対話的分析に対する検査可能なサポートを提供しながら,予測性能の向上を図っている。
関連論文リスト
- HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。
HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。
報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-27T23:50:46Z) - EG-VQA: Benchmarking Verifiable Video Question Answering with Grounded Temporal Evidence [48.314554375516366]
本稿では,Evidence-Grounded Video Question Answering Benchmark (EG-VQA)を紹介する。
EG-VQAは2,067本の動画と11,838本のQAペアで構成されている。
強力なプロプライエタリモデルでさえ、予測を正確に下ろすのに苦労しています。
我々は,明示的な監督によって訓練されたエビデンス基底推論モデルEG-Reasonerを提案する。
論文 参考訳（メタデータ） (2026-06-23T16:49:28Z) - Stateful Evidence-Driven Retrieval-Augmented Generation with Iterative Reasoning [7.701766930531068]
Stateful Evidence-Driven RAG with Iterative Reasoningは、質問応答をプログレッシブなエビデンス蓄積プロセスとしてモデル化するフレームワークである。
このフレームワークは、ギャップと競合を特定するためにエビデンス駆動の欠陥分析を行い、クエリを反復的に洗練し、その後の検索をガイドする。
複数の質問応答ベンチマークの実験では、標準的なRAGとマルチステップベースラインよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-03-25T06:57:49Z) - Understanding Virality: A Rubric based Vision-Language Model Framework for Short-Form Edutainment Evaluation [8.15791379444665]
VideoScore-2は、特定のオーディオヴィジュアル属性が実際の観客のエンゲージメントに与える影響を捉えていない。
本稿では、視覚言語モデル(VLM)を用いて教師なしの視覚的特徴を抽出するデータ駆動評価フレームワークを提案する。
我々のアプローチは、堅牢で説明可能なビデオ理解へと進む。
論文 参考訳（メタデータ） (2025-12-24T19:43:59Z) - Detecting Multimodal Situations with Insufficient Context and Abstaining from Baseless Predictions [75.45274978665684]
VLU(Vision-Language Understanding)ベンチマークには、提供されたコンテキストによってサポートされない仮定に答えが依存するサンプルが含まれている。
サンプル毎にコンテキストデータを収集し,エビデンスに基づくモデル予測を促進するためにコンテキスト選択モジュールをトレーニングする。
我々は,十分なコンテキストを欠いたサンプルを同定し,モデル精度を向上させる汎用なコンテキスト・アワレ認識検出器を開発した。
論文 参考訳（メタデータ） (2024-05-18T02:21:32Z)
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。