Navigare nell'Ignoto: Un'Interfaccia Collaborativa Basata su Chat per Compiti Esplorativi Personalizzati

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

October 31, 2024

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

cs.AI

Abstract

L'avvento dei grandi modelli linguistici (LLM) ha rivoluzionato le interazioni degli utenti con i sistemi basati sulla conoscenza, consentendo ai chatbot di sintetizzare vaste quantità di informazioni e assistere in compiti complessi ed esplorativi. Tuttavia, i chatbot basati su LLM spesso faticano a fornire supporto personalizzato, specialmente quando gli utenti iniziano con query vaghe o mancano di informazioni contestuali sufficienti. Questo articolo introduce il Collaborative Assistant for Personalized Exploration (CARE), un sistema progettato per potenziare la personalizzazione nei compiti esplorativi combinando un framework LLM multi-agente con un'interfaccia utente strutturata. L'interfaccia di CARE è composta da un Pannello Chat, un Pannello Soluzioni e un Pannello Bisogni, consentendo il raffinamento iterativo delle query e la generazione dinamica delle soluzioni. Il framework multi-agente collabora per identificare i bisogni dell'utente sia espliciti che impliciti, fornendo soluzioni personalizzate e fattibili. In uno studio utente con 22 partecipanti, CARE è stato costantemente preferito rispetto a un chatbot LLM di base, con gli utenti che hanno elogiato la sua capacità di ridurre il carico cognitivo, ispirare la creatività e fornire soluzioni più personalizzate. I nostri risultati evidenziano il potenziale di CARE nel trasformare i sistemi basati su LLM da semplici recuperatori di informazioni passivi a partner proattivi nella risoluzione personalizzata dei problemi e nell'esplorazione.

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.