Persona-L已加入聊天：利用基于能力框架的LLM为复杂需求人群创建人物模型

研究背景与问题

• 发现的问题或挑战： 当前的用户角色（persona）创建方法，尤其是针对复杂需求人群的角色，容易过于简化或带有刻板印象。这种问题在涉及多重残障的用户（如唐氏综合症患者）时尤为严重，而传统角色创建方法难以全面捕捉这些用户的动态需求和真实生活情境。
• 重要性： 为复杂需求人群生成贴切且真实的角色，可以有效提高用户体验设计（UX Design）的共情能力和准确性，以更好地满足这些用户的需求。错误或不完整的角色描述可能导致设计解决方案的无效或误导性。
• 研究动机与相关工作：
  • Persona 创建方法经历了从质性研究（如访谈和观察）到数据驱动方法（如使用社交媒体数据）的演变，但许多方法依赖于高质量数据。
  • 最近的大型语言模型（LLMs）在文本生成任务中表现出色，但在生成用户角色时存在刻板印象和泛化等问题。
  • 与此相关的研究表明，基于能力的设计框架（Ability-Based Framework）能够更有效地描绘用户的能力和限制，减少对“残障”的偏见。

解决方案

• 提出的解决方案： Persona-L 系统，通过结合LLMs（GPT-4o mini）与基于能力的设计框架，开发一个交互式的、面向复杂需求用户的角色创建工具。
• 创新之处：
  1. 基于能力的角色框架： 改变传统只强调用户限制的方式，重点描述用户能力，以及如何在特定情境下驱动或阻碍这些能力。
  2. 交互性： 用户不仅可以生成角色，还能通过聊天界面与角色互动，动态询问角色问题并收到基于数据和LLM生成的回答。
  3. RAG框架（检索增强生成，Retrieval-Augmented Generation）： 结合人工筛选的数据源（如唐氏综合症社区分享的生活经验）与LLM的生成能力，将回答与真实数据挂钩以提高准确性。
• 实施步骤和关键技术：
  1. 数据收集与处理： 从公开数据源（如论坛、唐氏综合症相关机构）中收集80个真实生活故事，提取角色关键属性（如年龄、职业、能力驱动因素、限制因素）。
  2. 用户界面（UI）设计： 系统包括三个主要阶段：
     • 简档阶段（Profile Phase）：用户选择人口统计信息、主题（如就业、教育、家庭）以及个性化角色能力。
     • 能力阶段（Ability Phase）：展示与主题相关的能力驱动因素和限制因素，并通过真实故事加强背景。
     • 互动阶段（Interaction Phase）：用户与虚拟角色进行对话，通过对话获取进一步见解。
  3. LLM与RAG整合： 使用检索增强生成框架，通过调用嵌入式查询数据库（Chroma向量数据库）动态生成基于数据的回答。

研究成果

• 具体成果：
  1. Persona-L 系统成功生成了与复杂需求人群相关的角色，比如针对唐氏综合症患者的不同主题和场景。
  2. 提供了一个动态的聊天界面，增强了用户对角色的同理心和理解。
  3. 通过UX设计领域6名专家的使用测试，验证了Persona-L的有效性，并收集到关于角色透明性和语言风格改进的反馈。
• 与现有方法相比的优势：
  • 提供了多维度的用户Representation，通过能力和限制的平衡减少刻板印象。
  • 实现角色的动态生成与交互，而非传统的静态文档型角色，提升了角色的现实感和应用性。
  • 使用RAG框架，降低了 LLM 本身数据偏差和幻觉生成问题。
• 实验或评估结果：
  • 用户体验研究显示，参与者认为Persona-L提升了研究和设计阶段对复杂需求用户的理解（以用户的“能力阻碍”理解为例）。
  • 系统在一致性、背景性和生成对话的准确性上优于直接调用LLMs。
  • 参与者建议进一步优化角色回答的语言复杂性和长度，以更符合用户预期。
• 局限性与未来方向：
  1. 数据透明性和可信度： 当前数据验证主要依赖于人工筛选的可靠性，未来可探索植入更多实时动态数据更新方式。
  2. 长时间使用行为未充分研究： 测试主要集中在短期交互，未来需探索用户在长期设计实践中如何利用Persona-L。
  3. 多样性与个性定制： 当前角色的多样性取决于数据集的广度，建议未来扩大数据来源，提升角色定制的维度，例如通过用户共同创建和多角色对话实现更多元的角色表现。
  4. 消除潜在偏见： 需要运用框架（如CoMPosT）进一步评估和减轻LLMs生成内容中可能存在的偏见。

通过Persona-L，本文展示了利用LLMs和基于能力的框架模拟复杂需求用户的可能性，为设计领域带来了更富有同理心和实用性的工具，但未来仍需在数据有效性、角色多样性和动态学习改进上深入探索。