LL.me：通过人机对齐支持身份构建工作

文献标题

LL.me: Supporting Identity Work through Human-AI Alignment

出版信息

• 主题领域: 人工智能与人类协作在职业自我表达中的应用
• 关键词: 人工智能与人类协作、身份工作、职业自我表达、双向协作、生成式人工智能、大型语言模型（LLMs）、可解释性、迭代优化、人机交互（HCI）、共同构建

背景与问题

• 问题/挑战: 生成式人工智能工具，尤其是大型语言模型（LLMs），通常能够生成在事实层面上准确的职业自我表达内容，但这些内容往往与用户的个人价值观、动机以及社区规范不一致。这些输出缺乏必要的上下文和细腻的元素，无法真实地展现用户的身份。
• 重要性: 不一致的自我表达可能会削弱用户的可信度、真实性以及职业成功，尤其是在求职和职业发展等高风险场景中。
• 动机与相关研究: 以往研究探讨了人工智能辅助写作和协作技术，但通常将协作视为单向过程，重点在于调整人工智能输出以满足用户目标，而未支持用户塑造人工智能的逻辑。本论文基于双向协作原则，强调人类与人工智能之间的合作与相互适应。

解决方案

• 提出的方法: LL.me，一个基于网页的探索性工具，采用双向协作支持用户迭代优化人工智能生成的职业自我表达内容。该系统结合了可解释性功能和反馈机制，以促进人工智能输出与用户自我认知之间的协作。
• 创新点:
  1. 引入LL.me工具，用于通过双向协作支持身份工作。
  2. 开发协作流程，支持人工智能生成内容的迭代优化。
  3. 使用理由陈述（rationale statements）使系统推理过程可见，并支持用户反思。
  4. 提供关于用户如何与人工智能共同构建职业自我表达的实证洞察。
• 流程与关键技术:
  • 用户上传简历和职位描述。
  • LL.me生成一个控制档案作为基准。
  • 用户通过协作流程迭代优化人工智能生成的经验陈述，提供反馈和评分。
  • 系统结合反馈生成一个优化后的档案。
  • 可解释性功能（理由陈述）引导用户反思和反馈。
  • 最终档案与控制档案进行比较以进行评估和讨论。

结果

• 具体发现:
  • 优化后的档案在感知控制（p = 0.004）和自我表达（p < 0.05）方面显著高于控制档案。
  • 准确性（p = 0.085）和协作一致性（p = 0.076）在90%的置信区间内显示显著提升。
  • 参与者重新构建人工智能输出，强调个人价值观、动机和社区规范，将事实性描述转化为更具细腻性的表达。
• 相较基准的优势: LL.me帮助用户超越“统计个体”的表达方式，融入个人和上下文元素，这是标准大型语言模型输出所缺乏的。
• 实验/评估:
  • 在14名来自不同职业背景的参与者中进行实验。
  • 参与者迭代优化人工智能生成的档案，并通过Likert量表对控制档案与优化档案在准确性、控制性、表达性和一致性方面进行评分。
  • 通过访谈和反馈收集的定性数据进行主题分析。
• 局限性与未来工作:
  • 参与者样本的人口统计多样性有限。
  • 需要进一步研究社会文化和人口统计因素在人工智能辅助身份工作中的影响。
  • 未来可与标准人格生成技术进行比较，并探索伦理风险，如对人工智能的过度依赖和隐私问题。

总结

本文介绍了LL.me，一个旨在通过人类与人工智能协作支持职业自我表达的双向协作工具。通过允许用户迭代优化人工智能生成内容并利用可解释性功能，LL.me将不一致转化为反思和共同构建的机会。对14名参与者的研究表明，与基准输出相比，优化后的档案被认为更具表达性、控制性，并与用户身份更一致。该研究强调了生成式人工智能系统在身份工作中的潜力，突出了反思、用户主动性以及职业自我表达中的上下文细腻性的重要性。