論文の概要: KITA AI: A Multi-Agent LLM System for Pluralistic Policy Deliberation

• arxiv url: http://arxiv.org/abs/2609.34890v1
• Date: Mon, 28 Sep 2026 10:59:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:57:07.502563
• Title: KITA AI: A Multi-Agent LLM System for Pluralistic Policy Deliberation
• Title（参考訳）: KITA AI - 複数政策検討のためのマルチエージェントLLMシステム
• Abstract要約: KITA AIは、複数の大きな言語モデルエージェントが、それぞれ異なる階層的利害関係者のペルソナを基盤として、政策シナリオを意識したモジュラーシステムである。 KITA AIの目的は、望ましい政策提案を知らせるだけでなく、シナリオに影響された人物を自動的に見つけ出すことである。 KITA AIは、非収束を第一級の説明可能な出力として扱い、政策立案者が議論される政策のトレードオフと人間的影響をよりよく理解できるようにする。
• 参考スコア（独自算出の注目度）: 5.608033034681917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Public policies addressing urgent social and environmental challenges need to explicitly consider the diverse, often conflicting perspectives of the affected stakeholders. Despite computational decision-support approaches increasingly offering recommendations across diverse human value systems, they still tend to deliver a single consensus-driven outcome. We present KITA AI, a modular system in which multiple large language model agents, each grounded in distinct demographic stakeholder personas and conceptual frameworks, deliberate on policy scenarios. The objective of KITA AI is not merely to inform about a preferred policy proposal, but also to automatically surface who is affected by the scenario and provide decision-makers with the rationales and quantitative indicators behind each position. KITA AI treats non-convergence as a first-class explainable output, enabling policymakers to better understand the trade-offs and human impacts of the policies being discussed.
• Abstract（参考訳）: 急激な社会的・環境問題に対処する公共政策は、影響を受ける利害関係者の多様でしばしば矛盾する視点を明示的に考慮する必要がある。 計算的な意思決定支援アプローチは、さまざまな人的価値システムに対してリコメンデーションを提供する傾向にあるが、それでも単一のコンセンサス主導の結果をもたらす傾向にある。 本稿では,複数の大規模言語モデルエージェントを対象とするモジュールシステムKITA AIについて述べる。 KITA AIの目的は、好まれる政策提案を知らせるだけでなく、シナリオに影響された人物を自動的に見つけ出し、意思決定者にそれぞれのポジションの背後にある合理的かつ定量的な指標を提供することである。 KITA AIは、非収束を第一級の説明可能な出力として扱い、政策立案者が議論される政策のトレードオフと人間的影響をよりよく理解できるようにする。

関連論文リスト

• OmouAI: Argumentative Human-AI Policy Deliberation with Simulated Personas [15.04027636458513]
  OmouAIは、シミュレーションされたペルソナを用いて、現実世界の課題に対するポリシークレームを意図的に実施することを可能にする。 各ペルソナは独自の引数を生成し、すべての当事者の議論は共通の議論フレームワークを形成する。 議論は、国連持続可能な開発目標のような外部目標に対する決定論的論証的意味論を用いて評価される。
  論文  参考訳（メタデータ） (2026-09-25T10:17:51Z)
• Enhancing Decision-Making with Large Language Models through Multi-Agent Fictitious Play [53.56274149236814]
  Multi-Agent Fictitious Play (MAFP)は、ステークホルダーのスタンスをエージェントとして表現する新しいMASパラダイムである。 MAFPは各エージェントの判断を、他のエージェントの過去の決定の実証的な混合に応じて反復的に更新する。 我々は、行動前に競合シナリオの戦略を決定する能力をテストする挑戦的な意思決定タスクにおいて、MAFPを評価する。
  論文  参考訳（メタデータ） (2026-06-17T17:31:06Z)
• PolicyLLM: Towards Excellent Comprehension of Public Policy for Large Language Models [56.37206340175191]
  大規模言語モデル(LLM)は、現実の意思決定にますます統合されている。 しかし、政策関連のコンテンツについて理解し、理屈を定める能力はいまだ解明されていない。 textbftextitPolicyBenchは、最初の大規模クロスシステムベンチマーク(US-China)であり、ポリシーの理解を評価する。
  論文  参考訳（メタデータ） (2026-04-14T17:27:50Z)
• What Would an LLM Do? Evaluating Policymaking Capabilities of Large Language Models [13.022045946656661]
  本稿は,大規模言語モデル(LLM)が,ホームレスの緩和をテーマとした社会政策決定に,ドメインエキスパートと協調しているかどうかを評価する。 4つの地域をまたいだ政策選択を伴う意思決定シナリオからなる新しいベンチマークを開発する。 本稿では,ベンチマークされたポリシーをエージェントベースモデルに接続する自動パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-09-04T02:28:58Z)
• Bridging Prediction and Intervention Problems in Social Systems [71.41519966787386]
  我々は,自動意思決定システム(ADS)の影響を考慮した場合,予測重視のパラダイムから介入主義パラダイムに移行する方法を検討する。 我々は、予測を決定支援、最終決定、結果とみなすには、予測を超えた新たなデフォルトのADS問題設定が必要であると論じている。 本稿では,ADSシステムの設計,実装,評価を行うため,この視点が現代の統計フレームワークや他のツールを統一する方法について述べる。
  論文  参考訳（メタデータ） (2025-07-07T17:29:13Z)
• Policy Aggregation [21.21314301021803]
  我々は、マルコフ決定プロセスにおいて、異なる報酬関数と最適なポリシーを持つ複数の個人とAIバリューアライメントの課題を考察する。 我々は、この問題を政策集約の1つとして定式化し、そこでは、望ましい集団的政策を特定することを目的としている。 主要な洞察は、社会的選択法は、国家が占有するポリトープのサブセットのボリュームと順序的選好を識別することで再解釈できるということである。
  論文  参考訳（メタデータ） (2024-11-06T04:19:50Z)
• Aligning AI with Public Values: Deliberation and Decision-Making for Governing Multimodal LLMs in Political Video Analysis [48.14390493099495]
  AIモデルが政治的トピックにどう対処すべきかは議論されているが、依然として困難であり、より優れたガバナンスが必要である。 本稿では、政治的に敏感なビデオを中心に、個人的および集団的な議論を通じて、大規模言語モデルのガバナンスについて検討する。
  論文  参考訳（メタデータ） (2024-09-15T03:17:38Z)
• Personalized Reinforcement Learning with a Budget of Policies [9.846353643883443]
  機械学習(ML)におけるパーソナライゼーションは、ユーザの個々の特性に対する決定をモデル化する。 本稿では,Markov Decision Processes (r-MDPs) に代表される新しいフレームワークを提案する。 r-MDPでは、少数の代表ポリシーとのインタラクションを通じて、それぞれ独自の嗜好を持つ多様なユーザ人口に対応する。 r-MDPを効率的に解くための2つの深層強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-01-12T11:27:55Z)
• Human-in-the-Loop Policy Optimization for Preference-Based Multi-Objective Reinforcement Learning [13.627087954965695]
  好みに基づくMORLのためのHuman-in-the-loopポリシー最適化フレームワークを提案する。 本手法は,事前知識を必要とせずに,DMの暗黙の選好情報を積極的に学習する。 我々は従来の3つのMORLアルゴリズムと4つの最先端の選好に基づくMORLアルゴリズムに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2024-01-04T09:17:53Z)
• Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist [67.08543240320756]
  AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。 RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2021-08-06T01:30:41Z)
• Learning Goal-oriented Dialogue Policy with Opposite Agent Awareness [116.804536884437]
  本稿では,目標指向対話における政策学習のための逆行動認識フレームワークを提案する。 我々は、その行動から相手エージェントの方針を推定し、この推定を用いてターゲットエージェントを対象ポリシーの一部として関連づけて改善する。
  論文  参考訳（メタデータ） (2020-04-21T03:13:44Z)

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。