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

要約

大規模言語モデル (LLM) の台頭により、知識ベース システムとのユーザー インタラクションに革命が起こり、チャットボットが膨大な量の情報を合成し、複雑で探索的なタスクを支援できるようになりました。
ただし、LLM ベースのチャットボットは、特にユーザーがあいまいな質問から始めたり、十分なコンテキスト情報が不足している場合に、パーソナライズされたサポートを提供するのに苦労することがよくあります。
このペーパーでは、マルチエージェント LLM フレームワークと構造化されたユーザー インターフェイスを組み合わせることで、探索タスクのパーソナライゼーションを強化するように設計されたシステムである、Collaborative Assistant for Personalized Exploration (CARE) について紹介します。
CARE のインターフェイスは、チャット パネル、ソリューション パネル、およびニーズ パネルで構成され、反復的なクエリの絞り込みと動的なソリューションの生成を可能にします。
マルチエージェント フレームワークは連携して明示的および暗黙的なユーザー ニーズを特定し、カスタマイズされた実用的なソリューションを提供します。
22 人の参加者を対象とした被験者内ユーザー調査では、ベースラインの LLM チャットボットよりも CARE が一貫して好まれており、認知負荷を軽減し、創造性を刺激し、よりカスタマイズされたソリューションを提供するその能力をユーザーが賞賛しました。
私たちの調査結果は、LLM ベースのシステムを受動的な情報取得者から、パーソナライズされた問題解決と探索における積極的なパートナーに変革する CARE の可能性を浮き彫りにしています。

要約(オリジナル)

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.

arxiv情報

著者 Yingzhe Peng,Xiaoting Qin,Zhiyang Zhang,Jue Zhang,Qingwei Lin,Xu Yang,Dongmei Zhang,Saravan Rajmohan,Qi Zhang
発行日 2024-10-31 15:30:55+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CL, cs.HC パーマリンク