論文の概要: Can AI interview? Comparing AI-led to Human-led Chat Interviews
- arxiv url: http://arxiv.org/abs/2610.23149v1
- Date: Fri, 16 Oct 2026 08:43:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.834643
- Title: Can AI interview? Comparing AI-led to Human-led Chat Interviews
- Title（参考訳）: AIによるインタビューは可能か?
- Abstract要約: 本稿では,AIによるインタビューと人間によるインタビューにおいて,データ品質の直接比較を初めて行った。
AI-Interviewersはインタビュー1回につき2倍以上の質問をし、インタビュー1回あたりの回答テキストを約65%増やした。
我々の研究結果は、大規模N質的データ収集のためのAI-Interviewingの実現性を支持する。
- 参考スコア（独自算出の注目度）: 9.30887331723652
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model chatbots have been proposed as AI-interviewers for collecting qualitative interview data at scale, potentially bridging social science's longstanding divide between the breadth of surveys and the depth of qualitative interviews. This paper provides the first direct empirical comparison of data quality in AI-led and human-led interviews. In a randomized experiment (N = 41), university students were interviewed via synchronous text chat by either trained non-expert interviewers or a locally hosted AI system; we evaluate exposure, specificity, and relevance. Median interview duration was similar across conditions, but AI-interviewers asked more than twice as many questions per interview and elicited roughly 65 percent more respondent text per interview. Per-question responses were longer with human interviewers, though not after multiple-testing correction; only AI-condition participants skipped questions. Responses were almost uniformly on-topic in both conditions; for specificity we detect no difference, but the design cannot exclude one of up to three quarters of a point. These results were obtained with a small, locally hosted open-weight model (7B parameters), which addresses concerns about data security, GDPR compliance, and scientific reproducibility. Our findings support the viability of AI-interviewing for large-N qualitative data collection.
- Abstract（参考訳）: 大規模言語モデルチャットボットは、質的なインタビューデータを大規模に収集するためのAI-インタービューアとして提案されており、社会科学の長期にわたる調査の幅と質的なインタビューの深さを埋める可能性がある。
本稿では,AIによるインタビューと人間によるインタビューにおいて,データ品質の直接比較を初めて行った。
ランダム化実験 (N = 41) において, 大学生は, 訓練を受けた非専門家のインタビュアーか, あるいは, ローカルにホストされたAIシステムを用いて, 同期テキストチャットによるインタビューを行い, 露出, 特異性, 関連性を評価した。
インタビュー期間は条件によって似ているが、AI-Interviewersはインタビュー1件につき2倍以上の質問をし、インタビュー1件あたりの回答テキストが約65%増えた。
質問に対する回答は、人間のインタビュアーでは長かったが、複数のテストの修正の後ではなく、AI条件の参加者だけが質問をスキップした。
どちらの条件でも反応はほぼ一様で、特異性については差は検出できないが、設計では最大3分の1の点を除外できない。
これらの結果は、データセキュリティ、GDPRコンプライアンス、科学的再現性に関する懸念に対処する、小規模でローカルにホストされたオープンウェイトモデル(7Bパラメータ)で得られた。
我々の研究結果は、大規模N質的データ収集のためのAI-Interviewingの実現性を支持する。
関連論文リスト
- 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) - Mic Drop or Data Flop? Evaluating the Fitness for Purpose of AI Voice Interviewers for Data Collection within Quantitative & Qualitative Research Contexts [7.938565669618949]
Transformer-based Large Language Models (LLMs) は、音声ベースの調査をリアルタイムで実施できる「AIインタビュアー」の道を開いた。
我々は,AIインタビュアーと,2次元にわたる現在の対話型音声応答(Interactive Voice Response, IVR)システムの性能を評価する。
論文 参考訳（メタデータ） (2025-09-01T22:44:57Z) - LLMREI: Automating Requirements Elicitation Interviews with LLMs [47.032121951473435]
本研究では,人間の介入を最小限に抑えながら,要求適応面接を行うチャットボット LLMREI を紹介する。
我々は33回のシミュレート・ステークホルダー・インタビューでその性能を評価した。
以上の結果から,LLMREIは人間のインタビュアーと同じような誤りを犯し,要求の大部分を抽出し,文脈に依存した質問を生成できることが示唆された。
論文 参考訳（メタデータ） (2025-07-03T12:18:05Z) - AI-Assisted Conversational Interviewing: Effects on Data Quality and User Experience [0.0]
本研究では,AIによる対話型面接の枠組みを紹介する。
我々は1,800人の参加者をランダムにAI 'チャットボット'に割り当てるウェブサーベイ実験を行った。
この結果から,チャットボットなどのAI手法を用いて,Webサーベイにおけるオープンエンドデータ収集を向上する可能性が示唆された。
論文 参考訳（メタデータ） (2025-04-09T13:58:07Z) - AI Conversational Interviewing: Transforming Surveys with LLMs as Adaptive Interviewers [40.80290002598963]
本研究では,人間のインタビュアーを大規模言語モデル (LLM) に置き換えて,スケーラブルな対話型インタビュアーを実現する可能性について検討する。
大学生を対象に,AIやヒューマンインタビュアーによる会話面接にランダムに割り当てられた,小規模かつ詳細な調査を行った。
様々な量的・質的な尺度は, インタビュアーのガイドライン, 応答品質, 参加者参加率, 総合的な面接効果に順応した。
論文 参考訳（メタデータ） (2024-09-16T16:03:08Z) - 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) - EZInterviewer: To Improve Job Interview Performance with Mock Interview
Generator [60.2099886983184]
EZInterviewerは、オンライン面接データから学び、求職者に模擬面接サービスを提供する。
低リソースの課題に対処するため、EZInterviewerはインタビューダイアログのごく小さなセットで訓練されている。
論文 参考訳（メタデータ） (2023-01-03T07:00:30Z) - Understanding Unnatural Questions Improves Reasoning over Text [54.235828149899625]
生テキストに対する複雑な質問応答(CQA)は難しい課題である。
効果的なCQAモデルを学ぶには、大量の人間が注釈付けしたデータが必要である。
我々は、自然の人間生成の質問を非自然の機械生成の質問に投影することで、高品質なプログラマ(パーザ)を学ぶという課題に対処する。
論文 参考訳（メタデータ） (2020-10-19T10:22:16Z) - Inquisitive Question Generation for High Level Text Comprehension [60.21497846332531]
InQUISITIVEは、文書を読みながら19K質問を抽出するデータセットである。
我々は,読者が情報を求めるための実践的な戦略に携わることを示す。
我々は, GPT-2に基づく質問生成モデルを評価し, 妥当な質問を生成することができることを示す。
論文 参考訳（メタデータ） (2020-10-04T19:03:39Z)
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。