alphaXiv: SparkMe — адаптивные полуструктурированные интервью с помощью ИИ
SparkMe: адаптивные полуструктурированные интервью для извлечения качественных инсайтов
Опубликовано 2 ноября 2026 года на alphaXiv. Авторы — David Anugraha, Vishakh Padmakumar, Diyi Yang (Stanford).
Аннотация
Качественные инсайты из пользовательского опыта критически важны для принятия решений в продуктовой и государственной сфере, однако масштабирование сбора качественных данных ограничено доступностью квалифицированных интервьюеров. В последних работах исследовались возможности больших языковых моделей (LLM) для автоматизации интервью, однако существующие системы лишены механизма, который позволял бы сбалансировать систематическое покрытие заранее определённых тем с адаптивным исследованием — то есть с возможностью задавать уточняющие вопросы, углублять отдельные темы и разрабатывать темы, возникающие органически в ходе разговора.
В данной работе авторы формулируют задачу адаптивного полуструктурированного интервью как задачу оптимизации поведения интервьюера. Ценность интервью определяется как компромисс между охватом заранее составленного плана интервью, обнаружением релевантных возникающих тем и стоимостью интервью, измеряемой его длиной.
На основе этой формулировки авторы представляют SparkMe — мультиагентный LLM-интервьюер, который выполняет осознанное планирование посредством симуляции продолжений разговора и выбирает вопросы с наибольшей ожидаемой ценностью.
Результаты экспериментов
SparkMe оценивался в контролируемых экспериментах с испытуемыми на основе LLM. Система демонстрирует более высокую ценность интервью: покрытие плана интервью улучшилось на 4,7% относительно лучшей базовой модели, а количество разговорных ходов при этом снизилось. SparkMe извлекает более богатые возникающие инсайты, чем предшествующие LLM-подходы к интервьюированию.
Результаты также подтверждены пользовательским исследованием с участием 70 респондентов из 7 профессий. Эксперты в соответствующих профессиональных областях оценили интервью SparkMe как более качественные и адаптивные, а также подтвердили профессионально-специфичные инсайты, которые базовая модель не выявляла. Дополнительно привлечённые эксперты в области качественных и человекоцентричных исследований зафиксировали более сильную отзывчивость и глубину уточняющих вопросов в SparkMe.
Доступность
Код и ресурсы для воспроизведения экспериментов опубликованы в открытом доступе на GitHub: SALT-NLP/SparkMe.