InterFlow：设计无干扰人工智能以赋能半结构化访谈中的访谈者

文献标题

InterFlow: Designing Unobtrusive AI to Empower Interviewers in Semi-Structured Interviews

出版信息

• 主题领域: 支持定性研究的AI辅助工具，聚焦于半结构化访谈。
• 关键词: 半结构化访谈, AI辅助, 认知负荷, 实时数据理解, 访谈流程, 自然语言处理, 人机交互, 大语言模型, 定性研究, 混合主动系统。

背景与问题

• 问题/挑战: 进行高质量的半结构化访谈需要高度的认知投入，访谈者需积极倾听、制定后续问题并维持对话流畅性。非专业访谈者常常在脚本导航、记录笔记和时间管理方面遇到困难，从而导致访谈效果不佳。
• 重要性: 提高访谈质量对于获取丰富且目标相关的数据至关重要，这直接影响后续的定性分析和报告。解决这些挑战可以通过支持非专业访谈者来普及定性研究。
• 动机与相关工作: 先前的研究探索了用于自动化定性数据收集和分析的AI驱动工具，但这些系统通常未能解决半结构化访谈的动态性和探索性特点。现有解决方案要么过于僵化，要么过于干扰，并且尚无专门为实时支持非专业访谈者设计的工具。

解决方案

• 提出的方法: InterFlow，一个AI驱动的可视化支架，通过动态调整访谈脚本、提供实时可视化以及支持混合主动信息捕获来帮助访谈者。
• 创新点:
  1. 动态更新的脚本导航可视化层级。
  2. 用于时间管理和对话平衡的实时可视化。
  3. 提供手动、AI辅助和主动模式的混合主动信息捕获。
  4. 一个“共访谈者”代理，基于上下文和访谈目标提供后续问题建议。
• 流程与关键技术:
  • 访谈前：上传脚本和上下文信息；系统解析并结构化脚本。
  • 访谈中：交互式脚本高亮当前问题，视觉计时器跟踪进度和平衡，混合主动工具支持笔记记录和后续问题生成。
  • AI组件：问题检测、实时总结以及使用Claude 3.5 Sonnet和GPT-4o等大语言模型生成主动建议。

结果

• 具体发现:
  • 问题检测准确率：58%，延迟：8.9秒。
  • 总结准确率：77%，延迟：4.2秒。
  • 显著降低认知负荷（例如，心理需求：2.75 vs. 4.83，p = 0.002）。
  • 可用性评分更高（系统可用性量表：82.5 vs. 67.5，p = 0.003）。
• 相较基线的优势:
  • 改善了脚本导航（M = 5.33 vs. 2.25，p = 0.002）。
  • 增强了情境感知（M = 5.00 vs. 2.67，p = 0.009）。
  • 提升了实时数据理解能力（M = 5.67 vs. 2.42，p < 0.001）。
  • 减少了干扰并保持了访谈的真实性。
• 实验/评估:
  • 12名参与者（访谈者）参与的被试内研究，分别使用InterFlow和基线系统。
  • 评估指标：认知负荷（NASA-TLX）、可用性（SUS）、任务表现以及专家评分的建议质量。
  • 数据来源：交互日志、问卷调查以及退出访谈的主题分析。
• 局限性与未来工作:
  • 由于访谈环境的动态性，问题检测和总结的准确率中等。
  • AI生成建议的噪声高于基线。
  • 未来方向包括提高AI模型的鲁棒性、探索可穿戴界面以及扩展至其他领域，如临床咨询或教育辅导。

总结

InterFlow是一种支持半结构化访谈的AI辅助系统，通过降低认知负荷、优化脚本导航以及促进实时数据理解来帮助访谈者。该系统结合了动态可视化、混合主动工具以及一个主动的“共访谈者”代理，以支持非专业访谈者。评估结果显示，与基线系统相比，InterFlow在可用性、情境感知和认知负荷方面显著改善。尽管在提高AI准确性和减少噪声建议方面仍存在挑战，InterFlow展示了非干扰性AI在支持高认知需求任务中的潜力。