論文の概要: Collaborative Search Meets Large Language Models: An Empirical Study
- arxiv url: http://arxiv.org/abs/2611.04619v1
- Date: Tue, 03 Nov 2026 10:08:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-09 14:46:41.669847
- Title: Collaborative Search Meets Large Language Models: An Empirical Study
- Title(参考訳): 大規模言語モデルと協調検索:実証的研究
- Abstract要約: 大規模言語モデル(LLM)は、自律エージェントが協調的な情報検索をサポートすることを可能にする。
私たちは80人の学生が40対で働いているユーザスタディを実施しています。
LLMをベースとしたエージェントは,作業負荷の認識を低減し,コラボレーションを支援し,コミュニケーションとエビデンス・ユース・プラクティスを再構築する。
- 参考スコア(独自算出の注目度): 30.861747765465612
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collaborative search enables users to address complex information needs jointly. Advances in large language models (LLMs) enable autonomous agents to support collaborative information seeking within shared communication spaces. However, little is known about how these agents shape search experiences, behaviors, and outcomes compared with conventional search tools. We conduct a user study with 80 students working in 40 pairs. Each pair completes four collaborative search tasks under four scenarios: QAAgent, which answers queries using an LLM's parametric knowledge; CoSearchAgent, which uses multi-user conversational context to reformulate queries, retrieve web information, and generate source-grounded answers, while asking clarifying questions when needed; an in-chat search plugin that returns result lists; and manual Google Search. After each task, participants complete several questionnaires assessing their search experience and independently write a report; after all tasks, they participate in individual interviews. Results show that LLM-based agents reduce perceived workload, support collaboration, and reshape communication and evidence-use practices. They also encourage more independent paraphrasing, albeit at the cost of report richness. To the best of our knowledge, this is the first systematic empirical comparison of LLM-based agents and conventional tools for collaborative search across search experience, user behavior, and collaborative outcomes.
- Abstract(参考訳): 協調検索により、ユーザーは複雑な情報のニーズに共同で対処できる。
大規模言語モデル(LLM)の進歩により、自律エージェントは共有通信空間内での協調情報検索をサポートすることができる。
しかし、これらのエージェントが従来の検索ツールと比較して、どのようにして検索体験、行動、結果を形成するかについてはほとんど分かっていない。
私たちは80人の学生が40対で働いているユーザスタディを実施しています。
QAAgentはLLMのパラメトリック知識を使用してクエリに回答する、CoSearchAgentはクエリを再構成し、Web情報を検索し、ソースとしてグラウンドされた回答を生成し、必要なときに質問を明確にする、そして、結果リストを返すチャット内検索プラグイン、手動のGoogle検索である。
各タスクの後、参加者は検索経験を評価し、個別にレポートを書き、各タスクの後に個別のインタビューに参加する。
LLMをベースとしたエージェントは,作業負荷の認識を低減し,コラボレーションを支援し,コミュニケーションとエビデンス・ユース・プラクティスを再構築する。
また、レポート豊かさを犠牲にしながら、より独立した言い回しを奨励する。
我々の知る限りでは、LLMベースのエージェントと従来の検索体験、ユーザ行動、協調的な結果の協調検索ツールの体系的比較は初めてである。
関連論文リスト
- ORBIT: Scalable and Verifiable Data Generation for Search Agents on a Tight Budget [56.6320292944541]
ORBITは20Kの推論集約クエリと短い検証可能な回答を備えたトレーニングデータセットである。
私たちのフレームワーク、コード、データセットはオープンソースで公開されています。
論文 参考訳(メタデータ) (2026-04-01T17:42:41Z) - Understanding Usage and Engagement in AI-Powered Scientific Research Tools: The Asta Interaction Dataset [47.98539809308384]
我々は,20万以上のユーザクエリとインタラクションログからなる大規模リソースであるAsta Interactionデータセットを分析した。
クエリパターン、エンゲージメントの振る舞い、使用方法のエクスペリエンスによる進化を特徴付けます。
我々は、匿名化されたデータセットと分析を新しいクエリ分類でリリースし、現実世界のAI研究アシスタントの将来の設計を知らせる。
論文 参考訳(メタデータ) (2026-02-26T18:40:28Z) - DeepMMSearch-R1: Empowering Multimodal LLMs in Multimodal Web Search [61.77858432092777]
DeepMMSearch-R1は,オンデマンドでマルチターンWeb検索が可能な,最初のマルチモーダルな大規模言語モデルである。
DeepMMSearch-R1は、画像検索をより効果的にするために、入力画像の関連する作物に基づいてWeb検索を開始することができる。
我々は、アプローチの優位性を実証するために、知識集約型ベンチマークを幅広く実施する。
論文 参考訳(メタデータ) (2025-10-14T17:59:58Z) - LM Agents for Coordinating Multi-User Information Gathering [82.3543678605684]
PeopleJoinは、LMによる協調的な問題解決を評価するためのベンチマークである。
PeopleJoinは、PeopleJoin-QAとPeopleJoin-DocCreationの2つの評価ドメインで構成されている。
論文 参考訳(メタデータ) (2025-02-17T21:19:45Z) - SRSA: A Cost-Efficient Strategy-Router Search Agent for Real-world Human-Machine Interactions [3.5725872564627785]
現実の状況では、ユーザーはしばしばコンテキストと高度にパーソナライズされたクエリをチャットボットに入力する。
これまでの研究は、人間と機械の対話のシナリオに特に焦点を絞ってはいなかった。
これらのギャップに対処するために、戦略ベース検索エージェント(SRSA)を提案する。
SRSAは、異なるクエリを適切な検索戦略にルーティングし、よりきめ細かいシリアル検索により、比較的低コストで高品質な結果を得ることができる。
論文 参考訳(メタデータ) (2024-11-21T20:41:55Z) - CoSearchAgent: A Lightweight Collaborative Search Agent with Large
Language Models [13.108014924612114]
大規模言語モデル(LLM)を利用した軽量協調検索エージェントであるCoSearchAgentを提案する。
CoSearchAgentはSlackプラグインとして設計されており、このプラットフォーム上での多人数会話中の協調検索をサポートする。
検索結果に基づいた回答でユーザクエリに応答できる。
論文 参考訳(メタデータ) (2024-02-09T12:10:00Z) - An Interactive Query Generation Assistant using LLM-based Prompt
Modification and User Feedback [9.461978375200102]
提案するインタフェースは,単言語および多言語文書コレクション上での対話型クエリ生成をサポートする,新しい検索インタフェースである。
このインタフェースにより、ユーザーは異なるLCMによって生成されたクエリを洗練し、検索したドキュメントやパスに対するフィードバックを提供し、より効果的なクエリを生成するプロンプトとしてユーザーのフィードバックを組み込むことができる。
論文 参考訳(メタデータ) (2023-11-19T04:42:24Z) - Conversations with Search Engines: SERP-based Conversational Response
Generation [77.1381159789032]
我々は、検索エンジンと対話するためのパイプラインを開発するために、適切なデータセット、検索・アズ・ア・会話(SaaC)データセットを作成します。
また、このデータセットを用いて、検索エンジンと対話するための最先端パイプライン(Conversations with Search Engines (CaSE))も開発しています。
CaSEは、サポートされたトークン識別モジュールとプリア・アウェア・ポインタージェネレータを導入することで最先端を向上する。
論文 参考訳(メタデータ) (2020-04-29T13:07:53Z)
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。