論文の概要: Designing the Future of User Feedback for Generative AI

• arxiv url: http://arxiv.org/abs/2610.02631v1
• Date: Fri, 02 Oct 2026 00:39:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.137533
• Title: Designing the Future of User Feedback for Generative AI
• Title（参考訳）: ジェネレーティブAIのためのユーザフィードバックの未来を設計する
• Abstract要約: ユーザからのデプロイ後のフィードバックは、生成AIシステムを監視し改善するためのコスト効率が高く、スケーラブルで、代表的な手段になり得る。 政府の規制と産業ガイドラインは、デプロイ後のユーザエンゲージメントを要求する。 コンシューマが使用可能なメカニズムの設計に関するガイダンスはほとんどありません。
• 参考スコア（独自算出の注目度）: 5.805907545719166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Post-deployment feedback from users can be a cost-effective, scalable, and representative means to monitor and improve generative AI systems and features. When implemented effectively, giving such feedback can increase users' engagement with and trust in GenAI systems. Government regulations and industry guidelines call for post-deployment user engagement, but there is little guidance on designing mechanisms that are usable for consumers and provide actionable input for product teams. We conducted a multi-phase study as a collaboration between academic researchers and eBay. Our benchmark evaluation of current industry approaches identified common issues including lack of discoverability, unclear terminology, and inattention to user value. Based on these findings, we developed best-practice recommendations and designed and tested a prototype feedback-collection tool. The tool aimed to provide users with an efficient, flexible, and positive feedback-giving experience, and provide product teams with rich data on performance and potential problems in a usable format.
• Abstract（参考訳）: ユーザからのデプロイ後のフィードバックは、ジェネレーティブなAIシステムや機能を監視し改善するためのコスト効率が高く、スケーラブルで、代表的な手段になります。 効果的に実装されると、そのようなフィードバックを与えることで、GenAIシステムへのユーザのエンゲージメントと信頼を高めることができる。 政府規制や業界ガイドラインは、デプロイ後のユーザエンゲージメントを求めるが、消費者が利用し、製品チームに実用的なインプットを提供するメカニズムの設計に関するガイダンスはほとんどない。 学術研究者とeBayのコラボレーションとして多段階的な研究を行った。 現在の業界アプローチのベンチマーク評価では、発見可能性の欠如、不明瞭な用語、ユーザ価値への不注意など、一般的な問題を特定した。 本研究は,これらの知見に基づいて,フィードバック収集ツールの試作と試作を行った。 このツールは、ユーザに対して、効率的でフレキシブルでポジティブなフィードバック感謝体験を提供し、製品チームに、使用可能なフォーマットのパフォーマンスと潜在的な問題に関する豊富なデータを提供することを目的としている。

関連論文リスト

• Learning from Online User Feedback for Shopping Agents [54.03311028861336]
  大規模言語モデルに基づくショッピングエージェントは、現実のeコマースプラットフォームにますます多くデプロイされている。 既存のアプローチは、ユーザ-イテムインタラクションや合成優先データなど、オフラインのトレーニング信号に依存している。 ショッピングエージェントが人間のアノテーションを使わずに実際のオンラインインタラクションログから直接学習できるフレームワークであるLOFAを提案する。
  論文  参考訳（メタデータ） (2026-08-12T03:24:44Z)
• Recommending Usability Improvements with Multimodal Large Language Models [40.82344810016507]
  本稿では,MLLMへの入力としてユーザインタラクションの限られたアプリケーションコンテキストとスクリーン記録を利用する新しいアプローチを提案する。 このモデルはNielsenのユーザビリティに基づいてユーザビリティの問題を自動的に識別し記述し、それに対応する説明と改善のレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2026-04-28T09:29:13Z)
• Deep Research for Recommender Systems [74.44288812684448]
  本稿では,従来の項目リストを包括的,ユーザ中心のレポートに置き換える,推薦のための新しいディープリサーチパラダイムを提案する。 我々はこのパラダイムをRecPilotという,項目空間を自律的に探索するユーザトラジェクトリシミュレーションエージェントと,ユーザ決定を支援するための一貫性のある解釈可能なレポートに合成する自己進化レポート生成エージェントという,2つのコアコンポーネントからなるマルチエージェントフレームワークを通じてインスタンス化する。
  論文  参考訳（メタデータ） (2026-03-08T12:33:04Z)
• Co-Authoring the Self: A Human-AI Interface for Interest Reflection in Recommenders [3.818305570907311]
  本稿では,映画レコメンデーションシステムのための人間-AI協調プロファイルを提案する。 静的プロファイルとは異なり、この設計ではユーザーがシステムの推論を直接検査し、修正し、反映させることができる。 1775年のアクティブな映画レコメンデーションユーザによる8週間のオンラインフィールド展開では、ユーザ認識とシステム推論の相違が持続的に現れる。
  論文  参考訳（メタデータ） (2025-10-10T02:20:13Z)
• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
  会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。 本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
  論文  参考訳（メタデータ） (2025-04-29T06:37:30Z)
• Interactive Counterfactual Exploration of Algorithmic Harms in Recommender Systems [3.990406494980651]
  本研究では,レコメンデーションシステムにおけるアルゴリズム的害の影響を理解し,探索するための対話型ツールを提案する。 視覚化、反事実的説明、インタラクティブなモジュールを活用することで、ユーザは誤校正などのバイアスがレコメンデーションにどのように影響するかを調査できる。
  論文  参考訳（メタデータ） (2024-09-10T23:58:27Z)
• Enhanced User Interaction in Operating Systems through Machine Learning Language Models [17.09116903102371]
  本稿では,大規模言語モデル,機械学習,ユーザインタラクション設計のレコメンデーションシステムやオペレーティングシステムへの応用の可能性について検討する。 インタラクション設計と機械学習の組み合わせは、製品やサービスのより効率的でパーソナライズされたユーザエクスペリエンスを提供する。
  論文  参考訳（メタデータ） (2024-02-24T12:17:06Z)

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。