Naviguer dans l'inconnu : une interface collaborative basée sur le chat pour les tâches exploratoires personnalisées.

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

October 31, 2024

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

cs.AI

Résumé

L'avènement des grands modèles de langage (LLM) a révolutionné les interactions des utilisateurs avec les systèmes basés sur la connaissance, permettant aux chatbots de synthétiser de vastes quantités d'informations et d'aider dans des tâches complexes et exploratoires. Cependant, les chatbots basés sur les LLM ont souvent du mal à fournir un support personnalisé, notamment lorsque les utilisateurs commencent par des requêtes vagues ou manquent d'informations contextuelles suffisantes. Cet article présente le Collaborative Assistant for Personalized Exploration (CARE), un système conçu pour améliorer la personnalisation dans les tâches exploratoires en combinant un cadre LLM multi-agent avec une interface utilisateur structurée. L'interface de CARE se compose d'un Panneau de Chat, d'un Panneau de Solutions et d'un Panneau de Besoins, permettant un affinement itératif des requêtes et une génération dynamique de solutions. Le cadre multi-agent collabore pour identifier à la fois les besoins explicites et implicites de l'utilisateur, fournissant des solutions adaptées et actionnables. Dans une étude utilisateur intra-sujet avec 22 participants, CARE a été systématiquement préféré à un chatbot LLM de référence, les utilisateurs saluant sa capacité à réduire la charge cognitive, à inspirer la créativité et à fournir des solutions plus adaptées. Nos résultats mettent en lumière le potentiel de CARE pour transformer les systèmes basés sur les LLM, passant de simples récupérateurs d'informations à des partenaires proactifs dans la résolution de problèmes personnalisée et l'exploration.

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.