[論文レビュー] Sensing What Surveys Miss: Understanding and Personalizing Proactive LLM Support by User Modeling

Ailin Liu, Yesmine Karoui+3 more|arXiv (Cornell University)|Jan 31, 2026

Digital Mental Health Interventions被引用数 0

ひとこと要約

本論文は、生理学的（EDA）および行動的（マウス）信号を用いて、ユーザーが支援を必要とするタイミングを予測する適応的・プロアクティブなLLM支援調査支援システムを提案し、ユーザーごとに閾値をパーソナライズし、タイミングと一致した精度とユーザー体験の改善を示す。

ABSTRACT

Difficulty spillover and suboptimal help-seeking challenge the sequential, knowledge-intensive nature of digital tasks. In online surveys, tough questions can drain mental energy and hurt performance on later questions, while users often fail to recognize when they need assistance or may satisfy, lacking motivation to seek help. We developed a proactive, adaptive system using electrodermal activity and mouse movement to predict when respondents need support. Personalized classifiers with a rule-based threshold adaptation trigger timely LLM-based clarifications and explanations. In a within-subjects study (N=32), aligned-adaptive timing was compared to misaligned-adaptive and random-adaptive controls. Aligned-adaptive assistance improved response accuracy by 21%, reduced false negative rates from 50.9% to 22.9%, and improved perceived efficiency, dependability, and benevolence. Properly timed interventions prevent cascades of degraded responses, showing that aligning support with cognitive states improves both the outcomes and the user experience. This enables more effective, personalized LLM-assisted support in survey-based research.

研究の動機と目的

• セルフ administered 調査におけるリアルタイムかつ個別化された支援の必要性を動機付け、認知過負荷とデータ品質の低下を防ぐ。
• 生理的（EDA）および行動的（マウス）信号を融合して、被調査者が支援を必要とする時点を予測する適応システムを開発する。
• 勾配降下法による正則化（L2）を用いたキャリブレーション段階とワンショットの勾配風更新による個人ごとの介入タイミングをパーソナライズする。
• 同調適応、非同調適応、ランダム適応のタイミングを比較する被験者内研究でシステムを評価する。
• 適切にタイミングされたプロアクティブ支援は精度とユーザー体験を向上させ、認知的負荷を低減することを示す。

提案手法

• 難易度を操作したWebベースの多択問題課題中に、マルチモーダルデータ（EDA、マウスダイナミクス、アイトラッキング、ECG）を収集する。
• SelectKBestとf_regressionを用いて情報量の多い特徴を選択し、二つの単峰モデリング（トニックEDA変化とマウス動作特徴）を推進する。
• 最終的な過負荷スコアをEDAベースとマウスベースの予測の最大値として計算する：y_Final = max(y_Mouse, y_EDA)。
• Calibrationフェーズとワンショットの勾配風更新を用いたL2正規化付き勾配降下法で、モデルをユーザーごとにパーソナライズする。
• ユーザーの相互作用とアウトカムに基づくルールベースの更新により介入閾値を動的に適応させ、タイミングを洗練させる。
• 介入後にテキストを選択したときに説明を生成するため、ローカルホスト上のLLaMA-2-7Bモデルを統合する。

Figure 1 . Screenshots of the experimental interface: (a) calibration phase, (b) rest break, (c) condition task question, (d) adaptive helper triggered, (e) waiting for user selecting text, and (f) assistance provided by the system.

実験結果

リサーチクエスチョン

• RQ1 同調した適応型タイミングのプロアクティブLLM支援は、非同調型適応およびランダム適応のタイミングと比較してタスク精度を向上させるか。
• RQ2 同調適応介入は、効率性・信頼性・善意といったユーザー体験を改善し、負荷を低減するか。
• RQ3 生理的（EDA）および行動的（マウス）信号は、適時サポートを発動するのに十分な瞬間的認知過負荷を予測できるか。
• RQ4 個人ごとの閾値調整というパーソナライゼーションは、参加者間で介入効果に影響を与えるか。
• RQ5 タイミングは、調査のようなタスクで劣化した応答のカスケードを予防する効果にどう影響するか。

主な発見

• 同調適応タイミングは応答精度を41%から62%へ向上させた。
• 同調適応タイミングは、対照群と比較して見逃し支援の機会を減らした。
• 参加者は同調適応システムを効率性・信頼性・善意の観点で高く評価した。
• 同調適応タイミングで最も高い受容率を達成した。
• キャリブレーションと勾配更新によるパーソナライゼーションは、個々の認知負荷と予測を整合させるのに有効だった。
• プロアクティブでタイムリーなLLM説明は、リアルタイムの認知状態と一致させるとより良い結果とユーザー体験につながった。

Figure 2 . Rule-based threshold adaptation logic per trial: positive changes increase the threshold (fewer future interventions), negative changes decrease it (more future interventions).