Die Navigation des Unbekannten: Eine chatbasierte kollaborative Schnittstelle für personalisierte explorative Aufgaben.

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

October 31, 2024

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

cs.AI

Zusammenfassung

Der Aufstieg großer Sprachmodelle (LLMs) hat die Interaktion von Benutzern mit wissensbasierten Systemen revolutioniert, indem Chatbots in der Lage sind, umfangreiche Informationen zu synthetisieren und bei komplexen, explorativen Aufgaben zu unterstützen. LLM-basierte Chatbots haben jedoch oft Schwierigkeiten, personalisierte Unterstützung zu bieten, insbesondere wenn Benutzer mit vagen Anfragen beginnen oder über unzureichende Kontextinformationen verfügen. Dieser Artikel stellt den Kollaborativen Assistenten für Personalisierte Exploration (CARE) vor, ein System, das entwickelt wurde, um die Personalisierung bei explorativen Aufgaben zu verbessern, indem es ein Multi-Agenten-LLM-Framework mit einer strukturierten Benutzeroberfläche kombiniert. Die Benutzeroberfläche von CARE besteht aus einem Chat-Panel, einem Lösungs-Panel und einem Bedarfs-Panel, das eine iterative Anfrageverfeinerung und die dynamische Generierung von Lösungen ermöglicht. Das Multi-Agenten-Framework arbeitet zusammen, um sowohl explizite als auch implizite Benutzerbedürfnisse zu identifizieren und maßgeschneiderte, handlungsfähige Lösungen bereitzustellen. In einer Benutzerstudie mit 22 Teilnehmern bevorzugten die Benutzer CARE konsistent gegenüber einem Basis-LLM-Chatbot und lobten dessen Fähigkeit, die kognitive Belastung zu reduzieren, Kreativität zu fördern und maßgeschneiderte Lösungen bereitzustellen. Unsere Ergebnisse verdeutlichen das Potenzial von CARE, LLM-basierte Systeme von passiven Informationsabrufsystemen zu proaktiven Partnern bei der personalisierten Problemlösung und Exploration zu transformieren.

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.