미지를 탐험하는 것: 맞춤형 탐구 작업을 위한 채팅 기반 협업 인터페이스

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

October 31, 2024

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

cs.AI

초록

대형 언어 모델(LLM)의 등장은 지식 기반 시스템과 사용자 상호작용을 혁신적으로 바꿔놓았습니다. 이를 통해 챗봇이 방대한 양의 정보를 종합하고 복잡한 탐구적 작업을 지원할 수 있게 되었습니다. 그러나 LLM 기반 챗봇은 종종 사용자가 모호한 질문을 시작하거나 충분한 맥락 정보가 부족할 때 특히 개인화된 지원을 제공하는 데 어려움을 겪습니다. 본 논문은 탐구적 작업에서 개인화를 향상시키기 위해 다중 에이전트 LLM 프레임워크를 구조화된 사용자 인터페이스와 결합한 Collaborative Assistant for Personalized Exploration (CARE) 시스템을 소개합니다. CARE의 인터페이스는 채팅 패널, 솔루션 패널 및 필요성 패널로 구성되어 반복적인 쿼리 정제와 동적 솔루션 생성을 가능하게 합니다. 다중 에이전트 프레임워크는 명시적 및 암시적 사용자 요구 사항을 식별하기 위해 협력하여 맞춤형 실질적인 솔루션을 제공합니다. 22명의 참가자를 대상으로 한 사용자 연구에서 CARE는 일관되게 기본 LLM 챗봇보다 선호되었으며, 사용자들은 CARE가 인지 부하를 줄이고 창의성을 고무시며 더 맞춤화된 솔루션을 제공하는 능력을 칭찬했습니다. 우리의 연구 결과는 CARE가 LLM 기반 시스템을 개인화된 문제 해결 및 탐구에서 수동적인 정보 검색기에서 적극적인 파트너로 변화시킬 잠재력을 강조합니다.

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.