如何与分析型聊天机器人进行对话？重新审视格赖斯准则以设计分析对话行为

文献标题

如何与分析型聊天机器人对话？通过格赖斯准则重新审视分析性对话行为设计

文献信息

• 主题领域: 人机对话、聊天机器人设计、数据可视化与分析
• 关键词: 聊天机器人、意图理解、视觉分析、模糊性、修复、优化

研究背景与问题

• 发现的问题或挑战：

  1. 分析型聊天机器人（analytical chatbot）旨在通过自然语言进行数据对话，但对其设计原则及与用户期望的契合性研究甚少。
  2. 当前的自然语言界面（NLI）主要关注语言作为输入机制，缺乏对结合语言输出与数据可视化的深入研究。
  3. 不同平台（如文字、语音交互）的特点和对用户行为的影响尚未清楚。

• 重要性： 分析型聊天机器人作为数据对话的工具，具有潜力改善数据探索体验。然而，聊天式数据交互的用户行为复杂，理解和适应这些行为是实现高效设计的关键。

• 研究动机与相关工作：

  1. 本文基于格赖斯准则（Gricean Maxims），重审其在与数据相关的对话中应用的适用性。
  2. 通过分析当前可用的自然语言界面和聊天机器人系统，提炼适用于分析型聊天机器人的设计原则。

解决方案

• 方法或解决方案：

  1. 根据格赖斯准则（包括数量、质量、关系、方式四项准则），提出适合分析性聊天机器人的设计原则。
  2. 设计并实施三种原型聊天机器人（Slack + 图表、Echo Show + 语音 + 图表和语音仅设备Echo），每种原型聚焦不同交互模态和平台。

• 创新之处： 将格赖斯准则与分析型数据对话需求结合，探索支持合作性对话行为的设计特点；同时提供用于修复模糊性和改进数据洞察的设计解决方案。

• 实施步骤与关键技术：

  1. 通过“奥兹巫师实验”（Wizard of Oz Studies）观察真实用户行为。
  2. 评估和比较三种不同平台和交互模态的用户反应，包括对自然语言问题的特性分析、用户期望的系统响应及失败时的行为。
  3. 构建聊天机器人的设计框架，包括自然语言解析、可视化模块及模板化自然语言生成技术。

研究成果

• 具体成果：

  1. 明确了用户在语音与文本两种交互模态下的行为差异。语音交互更偏重于查找性问题，而结合文本与图表的交互支持更深层的分析。
  2. 提炼出六个基础设计模式（如面向数据探索的问候与描述、转接机制、修复机制等）。
  3. 对于模糊或未指明的用户问题，提出了有效的 disambiguation 和 refinement 方法。

• 与现有解决方案的对比优势：

  1. 提供多模态支持（文本、语音、图表），相比于单模态系统适用性更广。
  2. 通过交互小部件（如Slack中的下拉菜单）实现更直观、用户友好的问题修正。
  3. 基于格赖斯准则的设计框架更贴合人类对话习惯，增强用户体验。

• 实验或评估结果：

  1. 在Slack原型系统中，交互线程与交互小部件显著提高了多轮对话频率，使得平均会话回合达到3.7。
  2. Echo设备的语音交互虽然便捷，但交互深度低，用户多停留在简单事实查找。
  3. 带图表的Echo Show设备支持更多分析性需求，但仍需提升语音与图表交互的一致性。

• 局限性与未来方向：

  1. 当前的语料库和系统对话能力仍有限，特别是在处理复杂模糊性和推理性问题上。
  2. 尚未充分探讨多用户协作或具有情感/情境感知能力的分析型聊天机器人。
  3. 构建个性化聊天机器人及数据隐私安全的保障也是后续研究需要解决的重要问题。

总结

本文为分析型聊天机器人的设计提供了基于理论与实证研究支持的框架，填补了学术领域与数据交互实践上的空白，同时提出了进一步提升交互效率与用户体验的方案与未来研究方向。