À qui demander quoi : Élicitation adaptative de groupe via des interactions multi-tours avec des LLM

Whom to Query for What: Adaptive Group Elicitation via Multi-Turn LLM Interactions

February 15, 2026

papers.authors: Ruomeng Ding, Tianwei Gao, Thomas P. Zollo, Eitan Bachmat, Richard Zemel, Zhun Deng

cs.AI

papers.abstract

L'obtention d'informations pour réduire l'incertitude concernant les propriétés latentes au niveau d'un groupe à partir d'enquêtes et d'autres évaluations collectives nécessite d'allouer un effort limité d'interrogation dans un contexte de coûts réels et de données manquantes. Bien que les grands modèles de langage permettent des interactions adaptatives et multi-tours en langage naturel, la plupart des méthodes d'élicitation existantes optimisent le choix des questions avec un panel de répondants fixe, sans adapter la sélection des répondants ni exploiter la structure de la population lorsque les réponses sont partielles ou incomplètes. Pour combler cette lacune, nous étudions l'élicitation adaptative de groupe, un cadre multi-tours où un agent sélectionne de manière adaptative à la fois les questions et les répondants sous contrainte explicite de budgets d'interrogation et de participation. Nous proposons un cadre théoriquement fondé qui combine (i) un objectif d'espérance de gain d'information basé sur un LLM pour évaluer les questions candidates avec (ii) une propagation par réseau de neurones à graphe hétérogène qui agrège les réponses observées et les attributs des participants pour imputer les réponses manquantes et guider la sélection des répondants à chaque tour. Cette procédure en boucle fermée interroge un petit sous-ensemble informatif d'individus tout en inférant les réponses au niveau de la population via une similarité structurée. Sur trois jeux de données d'opinion du monde réel, notre méthode améliore constamment la prédiction des réponses au niveau populationnel sous contrainte budgétaire, incluant un gain relatif de >12% sur le CES avec un budget de répondants de 10%.

English

Eliciting information to reduce uncertainty about latent group-level properties from surveys and other collective assessments requires allocating limited questioning effort under real costs and missing data. Although large language models enable adaptive, multi-turn interactions in natural language, most existing elicitation methods optimize what to ask with a fixed respondent pool, and do not adapt respondent selection or leverage population structure when responses are partial or incomplete. To address this gap, we study adaptive group elicitation, a multi-round setting where an agent adaptively selects both questions and respondents under explicit query and participation budgets. We propose a theoretically grounded framework that combines (i) an LLM-based expected information gain objective for scoring candidate questions with (ii) heterogeneous graph neural network propagation that aggregates observed responses and participant attributes to impute missing responses and guide per-round respondent selection. This closed-loop procedure queries a small, informative subset of individuals while inferring population-level responses via structured similarity. Across three real-world opinion datasets, our method consistently improves population-level response prediction under constrained budgets, including a >12% relative gain on CES at a 10% respondent budget.