助人者人恒助之：说话者与听者的协作努力及人-代理协作通信中的劳动分工

文献标题

Help me and I’ll help you: Speakers’ and listeners’ collaborative effort and the division of labour in human-agent collaborative communication

出版信息

• 主题领域：人机协作通信与会话式人工智能设计。
• 关键词：协作努力、劳动分工、会话式人工智能、人机交互、视觉模糊、视觉不对称、伙伴模型、说话者努力、听者努力。

背景与问题

• 问题/挑战：目前对代理的协作努力如何影响用户的互惠努力以及对代理会话能力的感知理解有限，尤其是在人机协作通信（HACC）中。
• 重要性：在人类与会话式人工智能的协作中，尤其是涉及共享努力的视觉任务时，有效的协作至关重要。
• 动机与相关研究：以往研究探讨了人机交互的孤立方面，例如视觉模糊和视觉不对称，或用户对代理能力的适应。然而，这些研究缺乏对说话者和听者努力的统一视角，并未系统性地研究代理协作努力的不同水平如何影响用户行为。

解决方案

• 提出的方法：通过在线导演-匹配任务实验，系统性操控代理的协作努力（过度信息、最小信息、不足信息），并评估其对用户努力和感知的影响。
• 创新点：
  1. 首次将劳动分工原则应用于代理的协作努力。
  2. 将伙伴建模与劳动分工理论结合起来，研究用户在HACC中的互惠努力。
  3. 在实验设计中系统性操控视觉模糊和视觉不对称。
  4. 为会话式人工智能设计提供上下文敏感的过度信息策略建议。
• 实验流程和关键技术：
  • 参与者在导演-匹配任务中交替扮演说话者和听者角色，任务涉及3x3的对象网格。
  • 代理在信息性上有所不同（过度信息、最小信息、不足信息）。
  • 视觉上下文条件包括视觉模糊（有/无竞争者）和视觉不对称（共同/特权信息）。
  • 测量指标包括伙伴模型问卷（PMQ）得分、听者努力（响应时间、光标悬停、选择错误）以及说话者努力（词语数量、特征包含）。

结果

• 具体发现：
  • 过度信息的代理被认为比不足信息的代理更有能力且更具人性化。
  • 听者努力在与过度信息代理互动时减少，目标识别更快，错误更少，竞争者考虑更少。
  • 与预期相反，用户在与过度信息代理互动时投入了更多的说话者努力，模仿其协作行为。
• 相较基线的优势：
  • 过度信息代理在减少听者努力和维持积极的伙伴模型方面始终优于最小信息和不足信息代理。
• 实验/评估：
  • 样本量：267名参与者。
  • 视觉上下文操控：3种说话者条件，4种听者条件。
  • 评估指标：PMQ得分、响应时间、悬停概率、选择错误、词语数量、特征包含。
• 局限性与未来工作：
  • 缺乏任务成功反馈可能限制生态有效性。
  • 简化的实验范式可能无法完全反映现实世界的复杂性。
  • 未来研究应探索自然化情境、非视觉模糊，以及实验条件的平衡设计。

总结

本研究探讨了代理的协作努力如何影响用户行为和感知在人机协作通信中的表现。研究发现，过度信息代理能够减少听者努力并改善对其能力和人性化的感知，而最小信息和不足信息代理则增加了用户努力并导致更负面的伙伴模型。与人类协作通信（HHCC）的劳动分工原则相反，用户在与过度信息代理互动时投入了更多的说话者努力，模仿其协作行为。这些发现表明，会话式人工智能系统应采用上下文敏感的过度信息策略，尤其是在视觉任务中，以优化协作和用户体验。