导向多样性：利用语言嵌入距离提高人群创意集思广益的集体创造力

文献标题

Directed Diversity: Leveraging Language Embedding Distances for Collective Creativity in Crowd Ideation

文献信息

• 主题领域: 人机交互、群体创新、自然语言处理
• 关键词: 多样性, 集体创造力, 众包, 创意想法, 激励信息, 集体智能, 创造性支持工具

研究背景与问题

• 作者发现了哪些问题或挑战？

  • 众包任务通过个体提示人收集创意的过程中，经常会出现许多冗余的想法。
  • 当前减少冗余的研究方法（例如展示同行想法或由同行提出的提示）需要大量人为协调，效率低下且不具备可扩展性。

• 为什么这个问题很重要？

  • 众包任务的目标是高效地收集多样性高的创意，来支持设计、决策和行为激励等领域的实际应用。
  • 如何帮助群体在有限时间内创造出更多新颖想法，具有广泛的实际意义。

• 研究动机与相关工作:

  • 现有研究强调多样性会促进集体创造力，但缺乏自动化方法来支持规模化的多样性提示。
  • 人工智能（如语言模型）在处理自然语言和建模多样性上提高了可能性，且已经在推荐系统和生态等领域显示出效果。

解决方案

• 方法或解决方案: 作者提出了一种名为“Directed Diversity”的方法，利用语言模型的嵌入距离来自动选择最具多样性的提示，以此引导参与者生成新颖的创意。

• 该解决方案的创新之处是什么？

  • 使用预训练语言模型（如 Universal Sentence Encoder）嵌入来量化提示的多样性。
  • 提出了一套新的多样性评估框架（Diversity Prompting Evaluation Framework），结合不同学科的多样性度量指标，系统分析提示多样性与创造力的传播过程。
  • 通过最小生成树（MST）方法选择距离最大化的提示，平衡了提示的内容新颖性与扩展性。

• 实施步骤与关键技术:

  1. 提示提取: 从域相关的文档中提取短语，进行清理和语法分析。
  2. 短语嵌入: 使用 Universal Sentence Encoder 获得短语的向量表示。
  3. 短语选择: 使用最小生成树算法选择语义上最远离的短语，最大化多样性。
  4. 评估框架: 开发了一系列多样性和创造力的度量指标，并通过实验测试框架的有效性。

研究成果

• 取得了哪些具体成果？

  • 提出的 Directed Diversity 方法有效提高了提示多样性和减少冗余。
  • 提示的多样性直接促进了参与者生成的创意在内容和形式上的多样性。
  • 实验验证了使用该方法收集到的创意不仅更具灵活性和原创性，还能覆盖更广范围的主题。

• 与现有解决方案相比，它有哪些优势？

  • 相较于人工方法，该解决方案完全自动化，能够显著扩展创意生成的规模和效率。
  • 更敏感地检测和量化多样性传播的过程，同时显著减少重复创意的生成。

• 实验或评估结果是什么？

  • 在多实验评估中，Directed Diversity 提示方法的创意多样性评分显著高于随机选择或无提示的基线方法。
  • 实现提示多样性后，参与者生成的创意在灵活性（Flexibility）和原创性（Originality）上均得分更高。

• 局限性与未来方向:

  • 局限性:

    • 使用 Directed Diversity 选择的短语有时不易理解，需投入更多的参与者努力。
    • 方法目前主要针对文本任务，对其他类型（如图像、设计）的创意生成的适应性需进一步验证。

  • 未来方向:

    • 使用领域特定的嵌入模型提升短语提示的质量和语义相关性。
    • 将机制推广到非文本领域的创意生成任务，例如产品设计或概念建模。
    • 测试如何在减少参与者认知负担的同时，保持提示的多样性和有效性。