論文の概要: Automatic multimodal UX improvement recommendations from LLM agent user simulations

• arxiv url: http://arxiv.org/abs/2609.22971v1
• Date: Sat, 19 Sep 2026 11:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.6122
• Title: Automatic multimodal UX improvement recommendations from LLM agent user simulations
• Title（参考訳）: LLMエージェントユーザシミュレーションによるマルチモーダルUX自動改善レコメンデーション
• Abstract要約: ユーザテストを通じて、ライブWebサイトのユーザエクスペリエンス(UX)を評価するのは、高価で、主観的で、スケールが難しい。 本稿では、ユーザの振る舞いをシミュレートし、優先順位付けされたUX改善レコメンデーションを自動的に生成するフレームワークAMを提案する。 視覚的アクセスは、よりリッチなトレースを通してレコメンデーションを改善する一方で、レコメンデーション生成時に視覚的なインプットを提供することは、質をわずかに劣化させる可能性がある。
• 参考スコア（独自算出の注目度）: 22.63195482690414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluating user experience (UX) on live websites through user testing is expensive, subjective, and difficult to scale. LLM agents offer a promising route to automating UX testing by simulating realistic user behaviour. However, existing simulation approaches typically lack multimodality and require time-consuming manual review to extract actionable insights. We formalise UX improvement recommendation from simulation data as a structured natural language generation and ranking problem, and establish an evaluation protocol using expert annotation and LLM-as-a-Judge. We present AMUSER, a multimodal framework which simulates user behaviour and automatically generates prioritised UX improvement recommendations from resulting data. We evaluate AMUSER on commercial websites and show that its recommendations substantially outperform those from text-only simulation (NDCG@3 = 0.758 versus 0.359) at an 89% lower simulation cost. Our results suggest an asymmetric role of multimodality: visual access during simulation improves recommendations through richer traces, while providing visual inputs during recommendation generation can modestly degrade quality. We also discuss practical deployment lessons from applying AMUSER to commercial websites.
• Abstract（参考訳）: ユーザテストを通じて、ライブWebサイトのユーザエクスペリエンス(UX)を評価することは、高価で、主観的で、スケールが難しい。 LLMエージェントは、現実的なユーザの振る舞いをシミュレートしてUXテストを自動化する、有望なルートを提供する。 しかし、既存のシミュレーションアプローチは、通常マルチモーダリティを欠いているため、実行可能な洞察を抽出するためには、時間を要する手作業によるレビューが必要である。 シミュレーションデータからのUX改善勧告を構造化された自然言語生成とランキング問題として定式化し、専門家アノテーションとLCM-as-a-Judgeを用いた評価プロトコルを確立する。 本稿では、ユーザの振る舞いをシミュレートし、結果データから優先順位付けされたUX改善レコメンデーションを自動的に生成するマルチモーダルフレームワークAMUSERを提案する。 商業Webサイト上でAMUSERを評価し,テキストのみのシミュレーション(NDCG@3 = 0.758 vs 0.359)を89%のコストで大幅に上回った。 シミュレーション中の視覚的アクセスは、よりリッチなトレースを通してレコメンデーションを改善する一方で、レコメンデーション生成時に視覚的なインプットを提供することは、質をわずかに劣化させる可能性がある。 また、AMUSERを商用ウェブサイトに適用することによる実践的なデプロイメントの教訓についても論じる。

関連論文リスト

• Mind the Sim2Real Gap in User Simulation for Agentic Tasks [101.69142591891234]
  ユーザシミュレーションにおけるSim2Realのギャップを形式化し、実際の人間に対して$$$-benchプロトコルを実行する最初の研究を示す。 LLMシミュレータは過度に協調的であり、スタイリスティックに均一であり、現実的なフラストレーションや曖昧さを欠いている。 これらの知見は, LLMベースのユーザシミュレータをエージェント開発サイクルで使用する際の人間による検証の重要性を強調した。
  論文  参考訳（メタデータ） (2026-03-11T19:12:31Z)
• LLM-Powered User Simulator for Recommender System [29.328839982869923]
  LLMを利用したユーザシミュレータを導入し、アイテムとのユーザエンゲージメントを明示的にシミュレートする。 具体的には、ユーザ嗜好の明示的なロジックを特定し、LCMを活用してアイテムの特性を分析し、ユーザ感情を抽出する。 本稿では,ユーザインタラクションシミュレーションの論理的および統計的洞察を相乗化するアンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-22T12:00:04Z)
• Minimizing Live Experiments in Recommender Systems: User Simulation to Evaluate Preference Elicitation Policies [14.258382779305483]
  本稿では,ライブ実験の利用を拡大(および削減)するために用いられるシミュレーション手法について述べる。 そこで本研究では,YouTube Musicプラットフォームの新規ユーザを対象とした選好評価アルゴリズムの展開について述べる。
  論文  参考訳（メタデータ） (2024-09-26T00:08:46Z)
• A LLM-based Controllable, Scalable, Human-Involved User Simulator Framework for Conversational Recommender Systems [14.646529557978512]
  Conversational Recommender System (CRS) はユーザからのリアルタイムフィードバックを利用して好みを動的にモデル化する。 LLM(Large Language Models)は、計算能力の新たな時代を迎えている。 ユーザシミュレータの動作を管理するCSHI(Controlable, scalable, and human-Involved)シミュレータフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-13T03:02:56Z)
• User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
  LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。 実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
  論文  参考訳（メタデータ） (2023-06-05T02:58:35Z)
• Sim2Rec: A Simulator-based Decision-making Approach to Optimize Real-World Long-term User Engagement in Sequential Recommender Systems [43.31078296862647]
  逐次リコメンデータシステム(SRS)における長期ユーザエンゲージメント(LTE)最適化は強化学習(RL)に適している RLには欠点があり、特に探索には多数のオンラインサンプルが必要である。 シミュレーション・ツー・レコメンデーション(Sim2Rec)というシミュレーターベースの推奨ポリシートレーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-05-03T19:21:25Z)
• Metaphorical User Simulators for Evaluating Task-oriented Dialogue Systems [80.77917437785773]
  タスク指向対話システム(TDS)は、主にオフラインまたは人間による評価によって評価される。 本稿では,エンド・ツー・エンドのTDS評価のためのメタファ型ユーザシミュレータを提案する。 また,異なる機能を持つ対話システムなどの変種を生成するためのテスタベースの評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-02T05:11:03Z)

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。