内容驱动的本地响应：支持带有和不带有AI的句子级和消息级移动电子邮件回复

研究背景与问题

• 问题与挑战: 作者识别了目前移动邮件应用中的主要挑战：现有 AI 集成方式缺乏灵活性，导致用户无法平衡效率与控制之间的需求。此外，现有的应用设计导致 AI 功能与用户的决策脱节，例如全文生成无法避免不适合的建议，而逐句建议则可能需要过多的手动输入。

• 重要性: 移动邮件是现代社会中各类个人和职业交流的重要形式。然而，由于屏幕空间受限以及输入效率低下，在复杂或时间紧迫的情况下，用户需要更有效的解决方案，同时保持对回复内容的控制。

• 研究动机与相关工作: 研究受到微任务原则的启发，旨在探讨如何通过改变设计，使 AI 更好地支持用户的写作决策。相关工作提供了句子级和邮件级建议的比较，但尚未探索如何灵活结合两者。

解决方案

• 方法与方案: 作者提出了“内容驱动的局部响应”（CDLR）概念，该设计允许用户在阅读邮件时直接对具体句子进行回应。CDLR 在逐句回复基础上引入了灵活结合 AI 功能的选项，用户可选择是否调用 AI 来生成建议，并在邮件级别进行改进。

• 创新之处:

  • 将句子选择作为用户意图表达的交互切入点。
  • 支持弹性工作流：领域覆盖从完全手动写作到高度依赖 AI 的回复生成。
  • 在低屏幕空间的移动设备上整合上下文内容与 AI 功能。

• 实施步骤与技术:

  • 局部响应界面: 用户可选择邮件中的特定句子，并通过弹出的交互窗口输入回复或请求 AI 建议。
  • 逐步工作流: 用户从局部响应发展至草稿级全局回复，并可选择让 AI 完善文字。
  • 技术实现: 在 React Web 应用中开发了原型，使用 Llama 3 语言模型生成建议，支持句子级与邮件级生成，同时优化界面设计以提升移动设备上的交互体验。

研究成果

• 具体成果:

  • 效率与质量提升: CDLR 显著减少了用户的输入量和错误率，同时允许用户撰写更长的回复。
  • 灵活性支持: 用户能够动态调整工作流中 AI 的参与度，选择最适合个人需求的交互方式。
  • 数据驱动的洞察: 通过日志记录和用户反馈，发现三种主要工作流类型——完全手动、部分依赖 AI 逐句生成、完全邮件级 AI 改进。

• 优势: 相较于全邮件生成 (MSG)，CDLR 提供了较低的“AI 足迹”，使用户能够更好地控制回复的内容，多数用户认为该模式对于需要更精细和个人化的回复任务更合适。

• 实验与评估: 实验中，用户使用 CDLR、MSG 和完全手动模式回复邮件。CDLR 评分在用户控制感和质量评价上优于 MSG，同时两者均优于无 AI 环境的效率评分。

• 局限性与未来方向:

  • 局限性:
    • 用户在快节奏任务中可能倾向于通过 AI 功能进行满意性选择，导致某些信息遗漏。
    • 当前研究的场景模拟可能无法完全反映真实生活中邮件复杂性和优先级的动态变化。
  • 未来方向:
    • 探索 CDLR 技术在更复杂邮件任务，如多问题邮件或背景信息繁杂场景中的表现。
    • 研究 CDLR 的长期使用效果以及社会与文化因素对用户回复框架的影响。
    • 结合 MSG 与 CDLR 以实现统一模式，支持多任务上下文中的灵活切换。

通过总结，作者展示了如何以微任务原则为核心重新设计基于 AI 的移动邮件回复界面，并突出其灵活性和用户控制感的优点，对领域内人机交互和 AI 集成设计具有重要启发作用。