論文の概要: Learning to GUIDE the Group: Self-Learning LLM Facilitation Across Multi-Party Tasks

• arxiv url: http://arxiv.org/abs/2610.16231v1
• Date: Mon, 12 Oct 2026 06:08:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.315839
• Title: Learning to GUIDE the Group: Self-Learning LLM Facilitation Across Multi-Party Tasks
• Title（参考訳）: グループを指導する学習:多人数課題における自己学習型LLMファシリテーション
• Abstract要約: 我々は,多人数のコンテキストにまたがる汎用LLMファシリテータを開発するためのフレームワークを提案する。 本枠組みでは,LLMがリアルタイムの介入に対してオフラインで自己学習型ファシリテーション戦略を一般化できるかどうかを検討する。 我々は,1つの汎用ファシリテータを開発し,61.4%の勝利率で3つのタスク特化専門家ファシリテータを上回った。
• 参考スコア（独自算出の注目度）: 16.715781092108067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As large language models are increasingly adopted as multi-party communication facilitators, there is a growing demand for agents capable of balancing diverse group dynamics across contexts. However, existing LLM facilitators are often fine-tuned for task-specific objectives; generalized LLM-based facilitation methods that can adapt to different types of tasks and diverse group dynamics are underdeveloped. To address this gap, we present GUIDE (Generalized Unified Intervention for Dynamic Exchanges, a framework for developing generalized LLM-based facilitators across different multi-party contexts. GUIDE evaluates facilitation across both objective task outcomes and subjective metrics, including psychological safety and perceived friction. Within this framework, we study whether LLMs can self-learn generalized facilitation strategy offline to real-time interventions. We first collect multi-party human interactions guided by task-specific expert LLM facilitators (N=432 conversations). We then employ a self-learning method in which an LLM induces an actionable strategic playbook from conversations and iteratively refines it using feedback from an LLM judge aligned with human annotators (N=20), developing a single generalized facilitator that outperforms the three task-specific expert facilitators on held-out conversations 61.4% win rate. Finally, we evaluate these improvements empirically; in a real-time online empirical study, the self-learned generalized facilitator preserves facilitator performance and group productivity, improves speaking comfort and reduces interpersonal friction, while using 24.7% fewer turns and 29.0% fewer words than the expert prompts. These findings provide empirical evidence that LLMs can learn generalizable, task-agnostic social facilitation from task-specific human interactions, on-par with hand-crafted task-specific prompts across diverse group settings.
• Abstract（参考訳）: 大規模言語モデルが多言語通信ファシリテータとしてますます採用されるにつれて、コンテキスト間で多様なグループダイナミクスのバランスをとることができるエージェントに対する需要が高まっている。 しかし、既存のLCMファシリテータはタスク固有の目的のために微調整されることが多く、様々なタスクに適応できる一般化LCMベースのファシリテータは未開発である。 このギャップに対処するため,GUIDE(Generalized Unified Intervention for Dynamic Exchanges)を提案する。 GUIDEは、客観的タスク結果と、心理的安全性と知覚的摩擦を含む主観的指標の両方にわたるファシリテーションを評価する。 本枠組みでは,LLMがリアルタイムの介入に対してオフラインで自己学習型ファシリテーション戦略を一般化できるかどうかを検討する。 まず,タスク固有のLDMファシリテータ(N=432会話)によって導かれる多人数のヒューマンインタラクションを収集する。 次に、LLMが会話から行動可能な戦略プレイブックを誘導し、人間のアノテータ(N=20)に合わせたLCMの判断からフィードバックを反復的に洗練する自己学習手法を用いて、3つのタスク固有の専門家ファシリテータを61.4%の勝利率で上回る1つの一般化ファシリテータを開発する。 最後に、これらの改善を実証的に評価し、リアルタイムオンライン実証研究において、自己学習型一般化ファシリテータは、ファシリテータのパフォーマンスとグループ生産性を保ち、話し心地を改善し、対人摩擦を低減するとともに、専門家のプロンプトよりも24.7%、単語を29.0%削減する。 これらの知見は、LLMがタスク固有の人的相互作用から汎用的でタスクに依存しない社会的なファシリテーションを、多様なグループ設定で手作りのタスク固有のプロンプトと同等に学べるという実証的な証拠を提供する。

関連論文リスト

• Advancing Compositional LLM Reasoning with Structured Task Relations in Interactive Multimodal Communications [42.945657927971]
  本稿では,無線ネットワーク上での単一合成LLMを用いて,多様なIMAを実現する新しいパラダイムを提案する。 最初の課題に取り組むために、我々はILMを案内する新しい方法であるContextLoRAを提案し、IMA間のリッチな構造化コンテキストを学習する。 3つのベンチマークの実験は、提案されたContextLoRAとContextGearの優位性を示している。
  論文  参考訳（メタデータ） (2025-07-28T09:33:12Z)
• Scoring with Large Language Models: A Study on Measuring Empathy of Responses in Dialogues [3.2162648244439684]
  本研究では,対話における応答の共感を測り,評価する上で,大規模言語モデルがいかに効果的かを調べるための枠組みを開発する。 我々の戦略は、最新かつ微調整されたLLMの性能を明示的で説明可能な特徴で近似することである。 以上の結果から,組込みのみを用いる場合,ジェネリックLLMに近い性能が得られることがわかった。
  論文  参考訳（メタデータ） (2024-12-28T20:37:57Z)
• Small LLMs Are Weak Tool Learners: A Multi-LLM Agent [73.54562551341454]
  大規模言語モデル(LLM)エージェントはスタンドアロンのLLMの機能を大幅に拡張する。 本稿では、上記の機能をプランナー、呼び出し元、要約器に分解する新しい手法を提案する。 このモジュール化されたフレームワークは、個々の更新と、それぞれの機能を構築するための小さなLLMの潜在的な使用を容易にする。
  論文  参考訳（メタデータ） (2024-01-14T16:17:07Z)
• Negotiating with LLMS: Prompt Hacks, Skill Gaps, and Reasoning Deficits [1.2818275315985972]
  LLMとの価格交渉において,全年齢層で40人以上の個人を対象とするユーザスタディを実施している。 交渉された価格が、LLMと効果的に相互作用する際のリテラシーのギャップを指摘し、人類が幅広い範囲で達成したことを示す。
  論文  参考訳（メタデータ） (2023-11-26T08:44:58Z)
• MINT: Evaluating LLMs in Multi-turn Interaction with Tools and Language Feedback [78.60644407028022]
  我々は,大規模言語モデルのマルチターンインタラクションによる課題解決能力を評価するベンチマークであるMINTを紹介する。 LLMは一般的に、ツールと言語フィードバックの恩恵を受けます。 LLMの評価、教師あり指導ファインタニング(SIFT)、人間からのフィードバックからの強化学習(RLHF)は、一般的にマルチターン能力を損なう。
  論文  参考訳（メタデータ） (2023-09-19T15:25:42Z)

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。