Навигация в неизвестном: чат-ориентированный коллаборативный интерфейс для персонализированных исследовательских задач

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

October 31, 2024

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

cs.AI

Аннотация

Возникновение больших языковых моделей (LLM) революционизировало взаимодействие пользователей с системами на основе знаний, позволяя чатботам синтезировать огромные объемы информации и помогать в выполнении сложных исследовательских задач. Однако чатботы на основе LLM часто испытывают затруднения в предоставлении персонализированной поддержки, особенно когда пользователи начинают с нечетких запросов или не обладают достаточной контекстной информацией. В данной статье представлена Совместная помощница для персонализированного исследования (CARE), система, разработанная для улучшения персонализации в исследовательских задачах путем объединения многоагентной структуры LLM с структурированным пользовательским интерфейсом. Интерфейс CARE состоит из Панели Чата, Панели Решений и Панели Потребностей, обеспечивая итеративное уточнение запросов и динамическую генерацию решений. Многоагентная структура сотрудничает для выявления как явных, так и неявных потребностей пользователей, предоставляя настроенные, действенные решения. В рамках пользовательского исследования внутри предметной области с участием 22 участников CARE была последовательно предпочтительнее базового чатбота на основе LLM, пользователи высоко оценили ее способность снижать когнитивную нагрузку, вдохновлять креативность и предоставлять более настроенные решения. Наши результаты подчеркивают потенциал CARE трансформировать системы на основе LLM от пассивных поисковиков информации до активных партнеров в персонализированном решении проблем и исследовании.

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.