Navegando por lo Desconocido: Una Interfaz Colaborativa Basada en Chat para Tareas Exploratorias Personalizadas

Navigating the Unknown: A Chat-Based Collaborative Interface for Personalized Exploratory Tasks

October 31, 2024

Autores: Yingzhe Peng, Xiaoting Qin, Zhiyang Zhang, Jue Zhang, Qingwei Lin, Xu Yang, Dongmei Zhang, Saravan Rajmohan, Qi Zhang

cs.AI

Resumen

El auge de los modelos de lenguaje grandes (LLMs) ha revolucionado las interacciones de los usuarios con sistemas basados en el conocimiento, permitiendo a los chatbots sintetizar vastas cantidades de información y ayudar con tareas complejas y exploratorias. Sin embargo, los chatbots basados en LLM a menudo tienen dificultades para proporcionar soporte personalizado, especialmente cuando los usuarios comienzan con consultas vagas o carecen de suficiente información contextual. Este documento presenta el Asistente Colaborativo para la Exploración Personalizada (CARE), un sistema diseñado para mejorar la personalización en tareas exploratorias mediante la combinación de un marco LLM multiagente con una interfaz de usuario estructurada. La interfaz de CARE consta de un Panel de Chat, un Panel de Soluciones y un Panel de Necesidades, lo que permite la refinación iterativa de consultas y la generación dinámica de soluciones. El marco multiagente colabora para identificar tanto las necesidades explícitas como implícitas del usuario, ofreciendo soluciones adaptadas y accionables. En un estudio de usuarios dentro del sujeto con 22 participantes, CARE fue consistentemente preferido sobre un chatbot LLM de referencia, con los usuarios elogiando su capacidad para reducir la carga cognitiva, inspirar la creatividad y proporcionar soluciones más personalizadas. Nuestros hallazgos resaltan el potencial de CARE para transformar los sistemas basados en LLM de recuperadores pasivos de información a socios proactivos en la resolución de problemas y la exploración personalizada.

English

The rise of large language models (LLMs) has revolutionized user interactions with knowledge-based systems, enabling chatbots to synthesize vast amounts of information and assist with complex, exploratory tasks. However, LLM-based chatbots often struggle to provide personalized support, particularly when users start with vague queries or lack sufficient contextual information. This paper introduces the Collaborative Assistant for Personalized Exploration (CARE), a system designed to enhance personalization in exploratory tasks by combining a multi-agent LLM framework with a structured user interface. CARE's interface consists of a Chat Panel, Solution Panel, and Needs Panel, enabling iterative query refinement and dynamic solution generation. The multi-agent framework collaborates to identify both explicit and implicit user needs, delivering tailored, actionable solutions. In a within-subject user study with 22 participants, CARE was consistently preferred over a baseline LLM chatbot, with users praising its ability to reduce cognitive load, inspire creativity, and provide more tailored solutions. Our findings highlight CARE's potential to transform LLM-based systems from passive information retrievers to proactive partners in personalized problem-solving and exploration.