arXiv cs.AI· Aisvarya Adeseye, Jouni Isoaho, Adeyemi Adeseye, Seppo Virtanen, Mohammad Tahir·· 9 天前AI 评分23
基于本地 LLM 的证据可追溯动态访谈架构，实现专家自适应定性访谈
Evidence-Traceable Dynamic Interviewer Architecture for Expertise-Adaptive Qualitative Interviews Using Local LLMs
AI 导读
研究者提出证据可追溯动态访谈架构，用本地部署的 LLM 根据受访者回答实时调整问题深度，由五模块提示词架构与持久化访谈状态记录支撑。
正文 · AI 翻译
摘要：自动化面试官和对话代理越来越多地应用于研究、招聘、客户服务和教育领域。然而，许多现有系统依赖固定的问题序列，并且在不考虑参与者知识的情况下提供有限的基于上下文的个性化，这可能导致重复或不相关的后续问题。因此，需要一种自适应面试系统，能够在保持对话连续性和语义推进的同时调整问题深度。为解决这一问题，本文提出了一种基于本地托管大语言模型（LLM）的证据可追溯动态面试官架构，在整个对话过程中根据参与者的回答和不断演变的上下文持续调整面试。面试官实时分析参与者的专业知识，以生成知识适配的问题、表述清晰的回答以及支持对话连续性的平滑过渡信息。一个五模块提示驱动架构和持久化面试状态记录支持这些功能。该面试官在 246 名参与者中进行了评估。专业知识分析模块（M3）与独立报告的参与者专业知识达到 78.9% 的完全一致，加权 Cohen's K 为 0.80。生成迭代问题模块（M4）显示出很强的专业知识-复杂度关联（p=.79，p<.001），参与者报告了高相关性（均值 4.41）、参与度（均值 4.32）和满意度（均值 4.38），这提供了证据表明该架构的自适应组件与其预期功能一致地运行，同时参与者报告了积极的面试体验。
| 评论： | 已被接收为《AI in Education : Pedagogy, Ethics, and Society》一书的一部分，该书将由 Springer Nature 在 Book series: Transactions on Computational Science and Computational Intelligence 中出版 |
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.11651 [cs.AI] |
| （或 arXiv:2610.11651v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11651 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Aisvarya Adeseye Mrs [查看电子邮件]
[v1]
2026年10月8日星期四 10:26:13 UTC（56,402 KB）
来源：arXiv cs.AI · arxiv.org