Navegando no Desconhecido: Uma Interface Colaborativa Baseada em Chat para Tarefas Exploratórias 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

Resumo

O surgimento de grandes modelos de linguagem (LLMs) revolucionou as interações do usuário com sistemas baseados em conhecimento, permitindo que chatbots sintetizem vastas quantidades de informações e auxiliem em tarefas complexas e exploratórias. No entanto, os chatbots baseados em LLM frequentemente têm dificuldade em fornecer suporte personalizado, especialmente quando os usuários começam com consultas vagas ou carecem de informações contextuais suficientes. Este artigo apresenta o Assistente Colaborativo para Exploração Personalizada (CARE), um sistema projetado para aprimorar a personalização em tarefas exploratórias, combinando um framework LLM multiagente com uma interface de usuário estruturada. A interface do CARE é composta por um Painel de Chat, Painel de Soluções e Painel de Necessidades, possibilitando a refinamento iterativo de consultas e geração dinâmica de soluções. O framework multiagente colabora para identificar tanto as necessidades explícitas quanto implícitas do usuário, fornecendo soluções personalizadas e acionáveis. Em um estudo de usuário dentro do sujeito com 22 participantes, o CARE foi consistentemente preferido em relação a um chatbot LLM de referência, com os usuários elogiando sua capacidade de reduzir a carga cognitiva, inspirar criatividade e fornecer soluções mais personalizadas. Nossas descobertas destacam o potencial do CARE para transformar sistemas baseados em LLM de recuperadores passivos de informações em parceiros proativos na resolução de problemas e exploração 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.