共同揭示计算机:通过反思性对话实现 LLM 媒介的计算
大语言模型(LLM)的人机协作AI 辅助决策与自动化系统可解释人工智能(XAI)AI/ML 研究员与工程师HCI 研究员
文献标题
Co-Disclosing the Computer: LLM-Mediated Computing through Reflective Conversation
出版信息
- 主题领域: 人机交互中基于大型语言模型的交互范式。
- 关键词: LLM中介计算、反思性对话、后现象学、共同揭示、人机交互、解释性系统、涌现计算、交互设计、中介、计算环境。
背景与问题
- 问题/挑战: 传统的以应用为中心的计算依赖于固定的界面和预定义的功能,限制了用户与计算的互动方式及对计算的想象。当前的范式未能充分解决LLM在重塑计算环境中的动态解释潜力。
- 重要性: 理解和设计基于LLM中介的计算可以重新定义计算机的角色,使交互更加流动、关系化以及符合人类意图的上下文敏感性。
- 动机与相关工作: 先前的人机交互研究批判了静态的表征系统,并提出了更具可塑性、情境化和体现性的方法。然而,这些方法通常依赖于用户的显式操作,未能考虑LLM的解释性和生成性能力。本文基于后现象学、反思性设计和对话交互来弥补这一空白。
解决方案
- 提出的方法: 基于LLM中介的计算,这种范式通过大型语言模型根据用户意图动态生成代码、界面和计算环境,从而实现涌现性和解释性的交互。
- 创新点:
- 一种新的交互隐喻:反思性对话,强调协商、响应性和共同揭示。
- 对人类–LLM–计算机关系的后现象学分析,引入共同揭示的概念。
- 将计算重新定义为一种关系化和涌现的活动,超越静态的以应用为中心的范式。
- 步骤与关键技术:
- 引入LLM中介计算的概念,其中功能通过用户输入和LLM解释动态组装。
- 用实例说明该范式(例如动态电子邮件撰写、花园设计场景)。
- 分析人类、LLM和计算机之间的三元关系,强调顺序重构和解释性中介。
- 基于对话分析和Schön的反思性实践,发展反思性对话的隐喻。
- 扩展后现象学分析,包含共同揭示的概念,即计算机的身份和功能在使用中被构建。
结果
- 具体发现:
- 基于LLM中介的计算能够动态重构计算环境,其中功能通过交互涌现(例如电子邮件撰写、花园设计)。
- 交互以生成性反馈循环展开:用户意图 → LLM解释 → 计算机重构 → 用户参与。
- 计算机不再是一个稳定的基质,而是一个涌现的、共同构建的媒介。
- 相较基线的优势:
- 超越静态的以应用为中心的范式,实现解释性、关系化和涌现的计算。
- 集成多模态输入,支持修复、模糊性和反思作为交互的自然组成部分。
- 实验/评估:
- 概念性和说明性实例(电子邮件撰写、花园场景)展示了该范式的潜力。
- 提出的评估方法包括轨迹分析(跟踪交互路径)和修复审计(评估对澄清和修订的支持)。
- 局限性与未来工作:
- 需要实证研究来验证概念框架并探索真实世界中的用户体验。
- 未来研究可以关注培养反思性对话的素养以及设计在开放性与问责性之间平衡的系统。
摘要
本文提出了基于LLM中介的计算,这种范式通过大型语言模型根据用户意图动态生成计算环境,将计算机重新定义为一种涌现的关系化媒介。作者提出了反思性对话的隐喻来描述这种交互,强调协商、响应性和共同揭示。通过后现象学分析,他们探讨了计算机的身份和功能如何在使用中被构建。本文概述了支持这一范式的设计原则(例如可读性、修复、多模态性)和评估方法(例如轨迹分析、修复审计)。未来工作需要实证探索用户如何与反思性对话互动,以及系统如何在解释性开放性与伦理问责性之间取得平衡。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 100%
哪些贡献值得认可?人类与AI共同创作中的归属感认知
CHI '25· 大语言模型(LLM)的人机协作 +2
- 100%
AI能为我做什么: 评估合作游戏中机器学习解释的效果
IUI '19· 大语言模型(LLM)的人机协作 +2
- 100%
CAIM:面向智能智能体长期交互的认知 AI 记忆框架的开发与评估
IUI '26· 大语言模型(LLM)的人机协作 +2
- 100%
用户对协作伙伴选择中 AI 辅助的依赖性研究
IUI '26· 大语言模型(LLM)的人机协作 +2
- 83%
基于LLM的搜索对决策制定的影响:速度、准确性和过度依赖
CHI '25· 大语言模型(LLM)的人机协作 +2
- 83%
并非越多越好:在多AI建议中平衡决策准确性与从众压力
CHI '26· 大语言模型(LLM)的人机协作 +2
- 83%
看不见的破坏者:谄媚型大语言模型在问题解决任务中误导新手
CHI '26· 大语言模型(LLM)的人机协作 +2
- 83%
响应延迟和任务类型对人类-LLM 交互与感知的影响
CHI '26· 大语言模型(LLM)的人机协作 +2
- 83%
与我共编还是为我编程?AI 自动化程度提升如何改变开发者工作流
CHI '26· 大语言模型(LLM)的人机协作 +2
- 83%
「我信任AI吗?」迈向可信的AI辅助诊断:理解用户在LLM支持的临床推理中的感知
CHI '26· 大语言模型(LLM)的人机协作 +2
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3791769
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
未标记奖项
group
作者
1 位作者
sell
研究子方向
大语言模型(LLM)的人机协作、AI 辅助决策与自动化系统、可解释人工智能(XAI)
work
职业/产业
AI/ML 研究员与工程师、HCI 研究员
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文