陈述你的意图以牵引你的注意力：用于有意数字生活的AI助手

文献标题

State Your Intention to Steer Your Attention: An AI Assistant for Intentional Digital Living

出版信息

• 主题领域: 基于人工智能的工具，用于管理数字干扰并增强有意的数字活动。
• 关键词: AI助手、数字健康、干扰管理、大型语言模型、有意活动、生产力工具、上下文感知系统、用户专注、数字自控、人机交互。

背景与问题

• 问题/挑战: 现有的生产力工具依赖静态、基于规则的方法，无法适应用户特定的上下文，导致用户体验上的挫败感和效率低下。这些工具无法区分同一应用程序中的任务相关使用与干扰性使用。
• 重要性: 数字干扰降低了生产力，增加了压力，并扩大了意图与行为之间的差距。一种更具上下文感知和适应性的解决方案可以显著改善数字健康。
• 动机与相关工作: 之前关于数字自控工具（DSCTs）和基于人工智能系统的研究探索了应用程序屏蔽、时间跟踪和基于聊天的界面。然而，这些方法缺乏实时上下文感知，无法提供个性化、适应性的干预措施。本文通过引入一个动态对齐用户活动与其陈述意图的系统来解决这些问题。

解决方案

• 提出的方法: 意图助手（Intent Assistant, INA），一个利用大型语言模型（LLMs）来明确用户意图、监控屏幕活动、检测干扰并提供及时、上下文感知提示的人工智能系统。
• 创新点:
  1. 开发了一个能够适应用户特定数字行为的上下文感知助手。
  2. 引入了IntentionBench，一个用于评估现实用户工作流中干扰检测的数据集。
  3. 在为期三周的实地研究中部署并评估INA，证明其在减少干扰和提高专注度方面的有效性。
• 流程与关键技术:
  1. 用户输入其意图，通过LLM驱动的问答过程进行明确。
  2. INA监控屏幕活动，分析屏幕截图、应用程序元数据和URL，通过语义对齐分数检测干扰。
  3. 当检测到干扰时，INA发送礼貌且可忽略的通知以提醒用户回到任务。
  4. 用户对通知的反馈被纳入系统，以逐步提高干扰检测的准确性。

结果

• 具体发现:
  • INA在IntentionBench数据集上的干扰检测准确率达到0.878，F1分数为0.845。
  • 在一个真实世界数据集上，INA的准确率达到0.899，平衡准确率为0.815。
  • 在为期三周的实地研究中，22名参与者使用INA后，其离任务比率显著降低（0.104 vs. 0.166，简单提醒系统，p <.001），意图对齐评分显著提高（4.44 vs. 4.23，p <.001）。
• 相较基线的优势:
  • INA在减少干扰和提高用户专注度方面优于简单提醒系统和仅记录系统。
  • 参与者报告使用INA时的专注沉浸评分更高（3.74 vs. 3.34，简单提醒系统，p =.045；vs. 2.90，仅记录系统，p =.0003）。
• 实验/评估:
  • 使用IntentionBench在受控条件下评估干扰检测。
  • 通过三周的被试内实地研究比较INA与两个基线系统，收集定量指标（如离任务比率、意图对齐）和通过问卷与访谈获得的定性反馈。
• 局限性与未来工作:
  • INA的通知有时被认为过于干扰，问答过程被认为重复性较高。
  • 由于使用屏幕截图和元数据，隐私问题受到关注。
  • 未来工作可以集中于开发自适应通知策略、基于设备的LLM以增强隐私，以及对INA对数字习惯的长期影响进行评估。

总结

本文介绍了意图助手（INA），一个人工智能驱动的系统，旨在帮助用户将数字活动与其陈述的意图对齐。通过利用LLM进行实时上下文分析和干扰检测，INA提供及时、个性化的提示以减少离任务行为。对IntentionBench数据集的评估以及为期三周的实地研究表明，与基线系统相比，INA在提高专注度和有意活动方面表现出色。尽管INA在促进有意数字生活方面展现了潜力，但解决通知干扰性和数据隐私问题对于其更广泛的应用至关重要。