概要: 我々は、限られた質問予算のもとで、保持されたアイテムへの応答や心理測定指標といった、ユーザー依存の関心量を学習するための適応的な質問（クエリ）を研究する。古典的なベイズ設計およびコンピュータ化適応型テスティングは通常、制約の強いパラメトリック仮定に依存するか、あるいは高価な事後近似を必要とするため、不均一性があり高次元で、かつコールドスタート状況における適用が制限される。そこで我々は、ユーザーの状態を、有限個のAIペルソナの辞書への所属（メンバーシップ）によって表現する、ペルソナ誘導潜在変数モデルを導入する。各ペルソナは、大規模言語モデルによって生成された応答分布を提供する。これにより、閉形式の事後更新と効率的な有限混合予測を備えた表現力のある事前分布が得られ、逐次的なアイテム選択のためのスケーラブルなベイズ設計が可能になる。合成データおよびWorldValuesBenchに対する実験により、ペルソナに基づく事後分布が正確な確率的予測をもたらし、解釈可能な適応的なエリシテーション（引き出し）パイプラインを実現することが示される。
AIパーソナ・プリオルに基づく適応的クエリ手法
arXiv cs.CL / 2026/5/4
💬 オピニオンDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research
要点
- 本論文は、質問数の上限が厳しい条件下で、保留アイテムへの回答や心理測定指標などのユーザー固有の関心量を学習するための適応的クエリを扱います。
- ユーザーの状態を有限個のAIパーソナの辞書へのメンバーシップとして表す「パーソナ誘導型潜在変数モデル」を提案し、それぞれのパーソナは大規模言語モデルが生成する回答分布に裏付けられます。
- この有限ミクスチャのモデルにより、表現力のあるベイズ事前分布と、閉形式の事後更新および効率的な混合分布による予測を実現し、逐次的なアイテム選択のためのベイズ設計をスケール可能にします。
- 合成データとWorldValuesBenchでの実験では、パーソナに基づく事後分布が確率的予測の精度を保ちながら、適応的なエリシテーション（聞き取り）手順を解釈可能にできることが示されています。
- 主要な貢献は、従来のベイズ設計がしばしば必要とする強い仮定や高コストな事後近似に頼らず、異質性の高い環境やコールドスタートでも適用しやすいスケーラブルな代替手法を示した点です。
