CloChat：理解人们如何在大型语言模型中定制、互动和体验人格

文献标题

CloChat: Understanding How People Customize, Interact, and Experience Personas in Large Language Models

文献信息

• 主题领域: 大语言模型 (LLMs) 的用户交互与个性化设计
• 关键词: 人格化、LLMs、交互系统、用户定制、大语言模型会话助手

研究背景与问题

• 作者发现的挑战:
  • 当前基于 LLM 的会话代理多半具有统一的、固定的个性，难以满足用户多样化需求。
  • 即便用户可以通过提示文本对代理进行定制，该过程复杂且不直观，限制了普通用户的使用。
  • 尽管已有研究表明基于人格化设计的会话体验更为满意且人性化，但针对用户如何构建和与 LLM 互动的人物设计方面研究仍较少。
• 重要性:
  • 人格定制能显著提升用户信任、交互质量和沉浸感，推动更加个性化的交互系统设计。
  • 探索用户与定制化代理间的长期关系有助于提升 LLM 在实际应用中的适应性与持续互动能力。
• 相关工作:
  • LLM 在文本生成和上下文理解方面取得了显著成就，但在个性化方面仍存在较多短板。
  • 已有工作探索了带有固定性角色和领域特性的代理，但未能满足用户特定情感和任务需求。

解决方案

• 提出的解决方法:
  • 开发 CloChat，一个允许用户轻松定制个性化代理并与其互动的界面。CloChat 包括：
    • CloChat 设计实验室：用户可定义代理人口学信息、个性特质、非语言表达（如表情符号）、知识领域及视觉表现。
    • CloChat 聊天室：用户通过与定制代理交谈体验对话过程。
• 创新之处:
  • 提供高度直观的表单式界面，完全简化复杂的“文本提示工程”。
  • 支持视觉化定制，通过 DALL-E2 生成代理的个人形象，强化定制体验。
  • 集成试验性“预览功能”，让用户可以在调整过程中实时感知代理的行为。
• 实施步骤与技术:
  • 将用户所有输入转换为 JSON 格式，并通过 GPT-4 翻译成自然语言表达。
  • 通过 GPT-4 实现会话代理的生成与响应。
  • 使用教程和实验室形式简化定制过程，同时提供多种视觉选项。

研究成果

• 具体成果:
  • 用户使用 CloChat 定制代理对话显著增加对系统的信任感与情感连接。
  • CloChat 对话的多样性显著高于常规 ChatGPT，尤其是在不同情景间的互动。
  • 个性化代理对话可以引发用户更有深度的情感互动，不仅仅限于任务导向的交互。
• 与现有解决方案的比较:
  • 与 ChatGPT 相比，CloChat 更有效且有趣，能更好地保持用户的兴趣与持续交互意愿。
  • 定制视觉特征以及个性化选项进一步优化了用户体验，而 ChatGPT 缺乏类似功能。
• 不足与未来方向:
  • 当前研究未覆盖更广泛的文化和语言体验，也未探讨长期用户交互关系。
  • 个性化定制的复杂性对初次用户构成一定门槛。
  • 潜在的伦理问题，例如模仿现实人物的代理设计，需进一步探讨。
  • 需要探索自动化个性学习与更灵活的定制方法，弥补现有方式的局限性。

设计启示

• 设计方向
  1. 提供用户友好的定制选项并简化初始设置过程。
  2. 优先开发情景适应性强的动态代理，满足多样化用户需求。
  3. 倡导严格的伦理准则，限制模仿真实人物或隐私风险信息的设计。
  4. 探索自动化个性学习算法，将用户偏好与情境相匹配以优化互动体验。