Navigeren door het Onbekende: Een op chat gebaseerde samenwerkingsinterface voor gepersonaliseerde verkennende taken

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

Samenvatting

De opkomst van grote taalmodellen (LLM's) heeft de interacties van gebruikers met op kennis gebaseerde systemen gerevolutioneerd, waardoor chatbots enorme hoeveelheden informatie kunnen synthetiseren en kunnen helpen bij complexe, verkennende taken. LLM-gebaseerde chatbots hebben echter vaak moeite met het bieden van gepersonaliseerde ondersteuning, vooral wanneer gebruikers beginnen met vage vragen of onvoldoende contextuele informatie hebben. Dit artikel introduceert de Collaboratieve Assistent voor Gepersonaliseerde Verkenning (CARE), een systeem dat is ontworpen om personalisatie in verkennende taken te verbeteren door een multi-agent LLM-framework te combineren met een gestructureerde gebruikersinterface. De interface van CARE bestaat uit een Chatpaneel, Oplossingspaneel en Behoeftenpaneel, waardoor iteratieve verfijning van vragen en dynamische generatie van oplossingen mogelijk is. Het multi-agent framework werkt samen om zowel expliciete als impliciete gebruikersbehoeften te identificeren en op maat gemaakte, bruikbare oplossingen te leveren. In een gebruikersstudie met 22 deelnemers gaf CARE consequent de voorkeur boven een basis LLM-chatbot, waarbij gebruikers zijn vermogen prezen om de cognitieve belasting te verminderen, creativiteit te inspireren en meer op maat gemaakte oplossingen te bieden. Onze bevindingen benadrukken het potentieel van CARE om LLM-gebaseerde systemen te transformeren van passieve informatie-opvragers naar proactieve partners in gepersonaliseerde probleemoplossing en verkenning.

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.