网络搜索的新分类法：人工智能时代以用户为中心的搜索意图框架

文献标题

A New Taxonomy of Web Search: A User-Centered Framework for Search Intent in the AI Era

出版信息

• 主题领域: 重新定义现代网络搜索和AI聊天机器人交互中的用户意图框架。
• 关键词: 搜索意图, AI聊天机器人, 用户中心框架, 分类法, 信息检索, 生成式AI, 搜索引擎, Broder分类法, 任务中心, 用户行为。

背景与问题

• 问题/挑战: 现有的搜索意图框架，特别是Broder分类法，已过时，无法捕捉现代搜索行为的复杂性，尤其是在整合AI聊天机器人和生成式AI功能的情况下。
• 重要性: 不匹配的框架可能导致研究结果偏差、系统设计不佳以及用户不满，从而限制开发自适应和个性化搜索体验的能力。
• 动机与相关工作: Broder分类法因其简单性在2000年代初被广泛使用，但对于捕捉多轮交互、不断演变的意图以及AI支持的任务已显得越来越不足。尽管存在替代模型，但它们通常过于概念化或复杂，难以实际应用。本文基于查询驱动、任务驱动和探索性搜索模型的相关研究，提出了一种更以用户为中心的方法。

解决方案

• 提出的方法: 一种新的任务中心分类法，将用户意图分为三个高层次类别：知识寻求、指导寻求和结果寻求，适用于搜索引擎和AI聊天机器人。
• 创新点:
  1. 从资源中心视角重新定义搜索意图为任务中心视角。
  2. 引入基于会话的方法，以捕捉不断演变和重叠的意图。
  3. 区分知识寻求和指导寻求意图。
  4. 包括新的意图类型，以应对AI特定的使用场景，如创意和生成任务。
• 程序与关键技术:
  • 进行了一项调查，参与者回顾了他们最近三次使用搜索引擎和AI聊天机器人的交互。
  • 通过演绎法应用Broder分类法以识别其局限性。
  • 使用归纳编码方法，根据用户目标和动机开发新的分类法。
  • 通过重新分类会话并与Broder框架的结果进行比较，验证新分类法的有效性。

结果

• 具体发现:
  • 在Broder分类法下，信息意图占主导地位（68%的案例），但许多会话模糊或无法分类。
  • 新分类法揭示了更均衡的分布：在搜索会话中，43%为知识寻求，33%为指导寻求，24%为结果寻求；在聊天机器人会话中，分别为36%、40%和24%。
• 相较基线的优势:
  • 新分类法通过关注用户任务而非资源类型，区分重叠意图，并适应AI特定行为，解决了Broder的局限性。
• 实验/评估:
  • 数据集: 86名参与者，500个会话（247个搜索，253个聊天机器人）。
  • 方法: 使用Broder分类法进行演绎编码，然后通过归纳编码开发并验证新框架。
  • 指标: 意图分布、分类清晰度以及捕捉用户目标演变的能力。
• 局限性与未来工作:
  • 由于依赖Prolific参与者和自我报告数据，存在抽样偏差。
  • 在定义会话边界（尤其是对聊天机器人）时存在模糊性。
  • 需要在更广泛的数据集和用户群体中进行验证。
  • 未来研究应探索协作性和社会动机的搜索行为，以及新兴AI功能的影响。

总结

本文批判了继续依赖Broder分类法进行搜索意图分类的做法，认为其已无法反映现代搜索行为和AI支持交互的复杂性。通过基于调查的研究，作者提出了一种新的任务中心分类法，包括知识寻求、指导寻求和结果寻求三类。该框架通过关注用户目标、适应演变意图以及应对AI特定使用场景，克服了Broder分类法的局限性。研究结果强调了更新框架以更好地理解和设计当代信息检索系统的必要性。