論文の概要: Evidence-Traceable Dynamic Interviewer Architecture for Expertise-Adaptive Qualitative Interviews Using Local LLMs

• arxiv url: http://arxiv.org/abs/2610.11651v1
• Date: Thu, 08 Oct 2026 10:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.957229
• Title: Evidence-Traceable Dynamic Interviewer Architecture for Expertise-Adaptive Qualitative Interviews Using Local LLMs
• Title（参考訳）: 局所LLMを用いたエキスパート適応質的インタビューのためのエビデンス追跡可能な動的インタビュアーアーキテクチャ
• Abstract要約: Evidence-Traceable Dynamic Interviewer Architectureは、ローカルにホストされたLarge Language Model (LLM)を用いて提示される。 インタビュアーは、参加者の専門知識をリアルタイムでプロファイルし、知識に合った質問、順応された回答、スムーズな移行メッセージを生成する。 5モジュールのプロンプト駆動アーキテクチャと永続的なインタビューステートレコードがこれらの機能をサポートしている。
• 参考スコア（独自算出の注目度）: 0.685068326729525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated interviewers and conversational agents are increasingly used in research, recruitment, customer service, and education. However, many existing systems rely on fixed question sequences and provide limited context-based personalization without considering participants' knowledge, which can lead to repetitive or irrelevant follow-up questions. Therefore, there is a need for an adaptive interviewing system that can adjust question depth while maintaining conversational continuity and semantic progression. To address this, an Evidence-Traceable Dynamic Interviewer Architecture is presented using a locally hosted Large Language Model (LLM), with the interview continuously adapted throughout the entire conversation based on the participant's responses and evolving context. The interviewer profiles participants' expertise in real time to generate knowledge-appropriate questions, well-articulated responses, and smooth transition messages that support conversational continuity. A five-module prompt-driven architecture and persistent interview-state record support these functions. The interviewer was evaluated with 246 participants. Expertise Profiling module (M3) showed 78.9% exact agreement with independently reported participant expertise, with a weighted Cohen's K of 0.80. Generate Iterative Questions module (M4) showed a strong expertise-complexity association (p=.79, p<.001), and participants reported high relevance (mean 4.41), engagement (mean 4.32), and satisfaction (mean 4.38), providing evidence that the architecture's adaptive components operated consistently with their intended functions while participants reported a positive interview experience.
• Abstract（参考訳）: インタビュアーや会話エージェントは、研究、採用、カスタマーサービス、教育にますます利用されている。 しかし、既存のシステムの多くは、固定された質問シーケンスに依存し、参加者の知識を考慮せずに、限られたコンテキストベースのパーソナライズを提供する。 そのため,会話の連続性やセマンティックな進行性を維持しつつ,質問深度を調整できる適応型面接システムが必要である。 これを解決するために、Evidence-Traceable Dynamic Interviewer Architectureは、ローカルにホストされたLarge Language Model (LLM)を使用して提示される。 インタビュアーは、参加者の専門知識をリアルタイムでプロファイルし、知識に合った質問、順応された回答、会話の連続性をサポートするスムーズな移行メッセージを生成する。 5モジュールのプロンプト駆動アーキテクチャと永続的なインタビューステートレコードがこれらの機能をサポートしている。 調査対象者は246名であった。 エキスパートプロファイリングモジュール(M3)は、独立に報告された専門家の専門知識と78.9%の正確な一致を示し、重み付きコーエンのKは0.80である。 反復質問モジュール(M4)は、強い専門性・複雑さの関連(p=.79,p<.001)を示し、参加者は高い関連性(平均4.41)、エンゲージメント(平均4.32)、満足度(平均4.38)を報告した。

関連論文リスト

• PolyInterview: An LLM-based Platform for Immersive Mock Interview Practice with Comprehensive Multimodal Assessment [22.1874861957095]
  PolyInterviewは、総合的なマルチモーダルアセスメントを備えた没入型モックインタビューのプラクティスである。 PolyInterviewは、ターゲットのジョブ記述とCVを使用して、役割と候補に合わせて質問を生成する。 4つの並列評価器は、10つの評価面と2つの能力トラックに集約された13の行動レベル特徴を生成する。
  論文  参考訳（メタデータ） (2026-07-11T13:33:50Z)
• Adaptive Interviewing for Persona Simulation in LLMs: Evidence-Grounded Reasoning Improves Decision Alignment [23.066564025282386]
  構造化された3段階対話を通してペルソナ関連情報を収集するアダプティブ・インタビュー・フレームワークを提案する。 我々は,大規模言語モデルが道徳ジレンマシナリオにおける参加者の決定をシミュレートできるかどうかを評価する。
  論文  参考訳（メタデータ） (2026-05-28T06:53:08Z)
• SparkMe: Adaptive Semi-Structured Interviewing for Qualitative Insight Discovery [55.50580661343875]
  本稿では,対話のロールアウトをシミュレートして検討計画を実行するマルチエージェントインタビュアーSparkMeを紹介する。 LLMベースの面接者による制御実験を通じてSparkMeを評価し,より高い面接性を実現することを示す。 7つの専門職の70人の参加者が、AIが専門職に与える影響について、SparkMeをユーザスタディで検証しています。
  論文  参考訳（メタデータ） (2026-02-24T17:33:02Z)
• Modular AI-Powered Interviewer with Dynamic Question Generation and Expertise Profiling [0.7349727826230863]
  本研究では、文脈的に適切で専門性に整合した質問を動的に生成するAIを利用したインタビュアーを提案する。 インタビュアーは、データプライバシを保持しながらコヒーレントな対話を生成する、ローカルにホストされた大規模言語モデル(LLM)上に構築されている。 提案されたインタビュアーは、スケーラブルでプライバシを重視したソリューションで、AIによる定性的データ収集を前進させる。
  論文  参考訳（メタデータ） (2025-11-21T18:25:26Z)
• ExpertQA: Expert-Curated Questions and Attributed Answers [51.68314045809179]
  我々は,様々な属性と事実の軸に沿って,いくつかの代表システムからの応答を人為的に評価する。 我々は32分野にわたる484人の被験者から専門家による質問を収集し、同じ専門家に自身の質問に対する反応を評価する。 分析の結果は,32分野にまたがる2177の質問と,回答の検証とクレームの属性を備えた高品質な長文QAデータセットであるExpertQAである。
  論文  参考訳（メタデータ） (2023-09-14T16:54:34Z)
• InterviewBot: Real-Time End-to-End Dialogue System to Interview Students for College Admission [18.630848902825406]
  InterviewBotは会話履歴とカスタマイズされたトピックをコヒーレントな埋め込みスペースに統合する。 7,361件の人間対人間インタビューの音声録音を自動転写し、440件を手作業で微調整・評価する。 InterviewBotは、その回答をインタビューデータと比較することで統計的にテストし、プロのインタビュアーや様々な学生にリアルタイムで対話させることによって動的にテストする。
  論文  参考訳（メタデータ） (2023-03-27T09:46:56Z)
• What should I Ask: A Knowledge-driven Approach for Follow-up Questions Generation in Conversational Surveys [63.51903260461746]
  対話型調査における知識駆動型フォローアップ質問生成のための新しい課題を提案する。 そこで我々は,対話履歴とラベル付き知識を用いた人手によるフォローアップ質問の新しいデータセットを構築した。 次に,その課題に対する2段階の知識駆動モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-23T00:57:33Z)
• Learning an Effective Context-Response Matching Model with Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
  我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。 我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。 実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-09-14T08:44:46Z)

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。