促进网络决策的主动与反应式指导：WebSeek 设计探索研究

文献标题

Facilitating Proactive and Reactive Guidance for Decision Making on the Web: A Design Probe with WebSeek

出版信息

• 主题领域: 基于网络的以数据驱动决策的人机协作。
• 关键词: 网络代理、混合主动系统、数据驱动决策、主动式AI指导、被动式AI指导、人机协作、浏览器扩展、数据分析、可视化、大型语言模型。

背景与问题

• 问题/挑战: 当前的网络AI代理如ChatGPT Agent和GenSpark依赖于基于文本的输入，缺乏主动检测用户意图的能力，并且不支持交互式数据分析或决策工作流。这些工具通常提供静态、非交互式的输出，限制了用户的控制和透明度。
• 重要性: 许多基于网络的任务（如产品研究或事实核查）需要迭代的数据收集、整理和分析。当前分散的工作流增加了认知负担和效率低下，使用户难以自信地做出决策。
• 动机与相关工作: 现有工具专注于数据管理的特定阶段或依赖类似聊天机器人的用户界面，这不足以支持迭代的以数据驱动的工作流。尽管一些系统可视化了决策过程，但它们通常缺乏交互性和用户控制。本文通过提出一种统一的、以数据为中心的人机协作方法来填补这一空白。

解决方案

• 提出的方法: WebSeek是一种混合主动式浏览器扩展，允许用户在交互式画布上与可触碰的数据工件（如表格、可视化）进行交互，并获得主动和被动的AI指导。
• 创新点:
  1. 引入一种以数据为中心的范式，将数据工件作为交互的第一类对象。
  2. 针对基于网络的数据任务设计主动和被动AI指导的原则性框架。
  3. 实现一个集直接操作、AI建议和基于聊天的辅助于一体的浏览器扩展。
  4. 从用户研究中获得关于用户如何与AI指导和可触碰数据工件交互的经验性洞察。
• 流程与关键技术:
  • 用户可以手动创建和编辑数据实例，或通过主动或被动AI指导完成数据提取、整理和可视化等任务。
  • 主动指导包括由用户操作触发的微观（现场）和宏观（外围）建议。
  • 被动指导通过聊天界面提供，用户可以发出命令或优化任务。
  • AI指导通过结合HTML、用户交互和数据实例的上下文使用大型语言模型生成。

结果

• 具体发现:
  • 技术评估显示AI指导的准确率高达97.2%，现场建议的平均延迟为11.44–19.05秒，外围建议的平均延迟为3.35–3.55秒。
  • 用户研究（N=15）报告了较高的可用性（SUS得分：73.11/100）和任务结果的信心（5.33–5.67/7）。
  • 参与者更倾向于直接操作（占用时间67.1%）和现场指导（82.8%的会话）而非外围建议（13.8%的会话）。
• 相较基线的优势:
  • 数据提取、整理和可视化的统一环境减少了传统工作流中的上下文切换。
  • 可触碰的数据工件和透明的AI指导增强了用户的控制感和信心。
• 实验/评估:
  • 技术评估：基于模拟用户的50个基准任务，涵盖3个难度级别（简单、中等、困难）。
  • 用户研究：涉及多样化数据分析工作流的两个任务（事实核查和产品比较）。
• 局限性与未来工作:
  • 大型数据集的LLM上下文管理存在可扩展性问题。
  • 数据工件数量过多时画布的可用性可能下降。
  • 用户研究中的参与者多样性和任务范围有限。
  • 需要更好地与原生网络交互和持久数据溯源集成。

总结

WebSeek是一种混合主动式浏览器扩展，通过允许用户在交互式画布上与可触碰的数据工件交互，重新定义了基于网络的以数据驱动决策的方式。它结合了直接操作与主动和被动AI指导，并由一个原则性设计框架支持。技术评估和用户研究证明了其在提高任务效率、用户信心和控制感方面的有效性。该研究倡导从对话式委托转向以数据为中心的网络代理协作，为数据分析和决策中的人机交互开辟了新的可能性。未来工作将解决可扩展性问题、与原生网络交互的集成以及更广泛任务的适用性。