公開：2026年9月22日, 最終更新：2026年9月22日
30秒サマリー
- 企業の情報抽出タスクで、ユーザーごとに異なるプロンプトを自動最適化するフレームワークが提案された
- 内側・外側の二重ループ構造により、既存の最良手法を成功率で13.56ポイント上回る74.58%を達成
- 292名の模擬ユーザーによるベンチマークと、実在する20名のプロによる二重盲検評価でも有効性を確認
何が起きたか
2026年9月18日、Hongliang Liら9名の研究者がarXivに論文「One Prompt Does Not Fit All: Self-Meta-Evolve for Personalized Information Extraction」を公開した。本論文はAACL-IJCNLP 2026のFindingsに採録されている。
論文が指摘する課題は、企業の情報抽出（IE）においてLLMを活用する際、同一ドキュメントであっても担当者の役職や業務目的によって必要な情報の切り出し方が異なる点にある。既存のプロンプト最適化手法はグローバルな目標に対して単一のプロンプトを最適化するため、職場に本来存在するユーザーの多様性と整合しないと研究チームは主張している。
これに対し提案されたフレームワーク「Self-Meta-Evolve」は、ユーザーごとに専用プロンプトを保持し、二重ループで継続的に改善する階層構造を持つ。内側ループではペルソナ条件付きフィードバックに基づいて構造化プロンプトを編集し、外側ループでは成功した編集パターンを蒸留してメタプロンプト自体を進化させる。
評価には、O*NETの職業分類体系に基づいて生成した292名の模擬企業ユーザーからなるベンチマークを使用した。Self-Meta-Evolveは成功率74.58%を達成し、最強のベースライン手法を13.56ポイント上回った。また、わずか2イテレーションで52.54%に到達する収束の速さも示された。さらに実在する20名のプロフェッショナルを対象とした二重盲検の人間評価でも、本フレームワークが適応したプロンプトが静的ベースラインに対して71%のペア比較で勝利した。
原典ハイライト
「一つのプロンプトが全員に適合するわけではない」という問いのもと、ユーザーごとのプロンプト適応を双方向ループで自動化する手法を提案。292名規模のベンチマークと実務者による盲検評価の両面で有効性を実証した点が核心。
出典: arXiv cs.AI（論文）
So What?（なぜ重要か）
企業内でLLMを情報整理・抽出に使う場面では、部署・役職・業務目的によって「同じ文書から何を抽出すべきか」が異なる。これまでは人手でプロンプトを使い分けるか、全員共通の汎用プロンプトで妥協するしかなかったが、Self-Meta-Evolveのようなパーソナライズ型の自動最適化手法が実用レベルに達しつつあることが示された。プロンプトエンジニアリングの労力を大幅に削減しながら、個人の業務文脈に即した出力品質を維持できる可能性がある。
日本企業への示唆
社内向けLLM活用を検討している日本企業にとって、部門横断での展開時に「誰が使っても同じプロンプトで十分か」という問いへの示唆が大きい。営業・法務・経理など職種ごとに情報の抽出ニーズが異なる場合、本論文の手法を参考にユーザーフィードバックループを組み込んだ設計を検討する価値がある。また、評価基盤としてO*NET職業分類を活用した点は、日本の職業辞典（厚生労働省版等）への応用可能性も示唆しており、国内向けベンチマーク構築の参考になりうる。
背景・経緯
LLMを企業の業務文書処理に応用する動きは拡大しているが、プロンプト最適化の研究はこれまでタスク単位・全体最適を前提とするものが主流だった。本論文はユーザー個人単位の適応という視点を企業IEに持ち込み、ペルソナ駆動のベンチマークとともに提案した研究。AACL-IJCNLP 2026への採録が原文に記載されており、査読済み成果として位置づけられる。
