CatAlyst：使用大型生成模型防止任务拖延的领域可扩展干预

文献标题

CatAlyst: Domain-Extensible Intervention for Preventing Task Procrastination Using Large Generative Models

文献信息

• 主题领域: 技术与数字福祉，人工智能辅助任务管理，人机交互
• 关键词: 大型生成模型, 行为变化, 任务参与, 拖延, 人机协作

研究背景与问题

• 问题或挑战:

  • 现代知识工作者在执行高认知负载任务（如写作、编程、编辑幻灯片）时容易失去专注，引发拖延和工作效率低下。
  • 传统的 AI 辅助工具侧重于直接完成任务，但其性能往往受限于模型的准确性，低质量的输出可能导致用户对系统产生信任危机。
  • 为每种任务定制和调整生成模型的成本过高，难以实现。

• 重要性:

  • 拖延行为不仅导致工作效率下降，还会引发压力、自我效能感下降等心理问题，以及对数字福祉的负面影响。

• 研究动机与相关工作:

  • 当前许多研究在为人类与 AI 协作提供支持，但大部分仍专注于内容的精准生成，未充分探索生成内容的行为诱导作用。
  • HCI 文献中提出了多种干预技术，如鼓励信息、上下文感知式反馈等，但其效果在高认知负载任务中存在局限。

解决方案

• 方法或解决方案:

  • 提出一种新型的 AI 系统设计 CatAlyst，该系统利用大型生成模型生成任务中断后的续写内容，以诱导行为改变来提高用户的任务参与度。
  • CatAlyst 跨领域可扩展，无需专门针对某一特定任务定制模型，提高部署的经济性。

• 创新之处:

  • 定位生成模型在诱导行为改变中的应用，而非直接替代任务中的部分工作。
  • 通过生成个性化的续写内容作为干预手段，吸引用户重新参与任务，同时减少任务恢复时的认知负担。

• 实施步骤与关键技术:

  • 自动检测任务中断时刻，通过交互日志识别用户是否失去专注。
  • 使用大型生成模型（如 GPT-3）生成任务续写内容，并呈现给用户形成干预。
  • 干预通过通知方式提醒用户，利用生成的内容降低任务恢复的心理门槛。
  • 支持多领域任务，例如写作和幻灯片编辑，通过简单的模型输入调整即可适用。

研究成果

• 具体成果:

  • CatAlyst 能有效地通过生成内容干预吸引用户注意力，并降低任务恢复时的认知负载。
  • 用户在使用该系统后的任务恢复速度更快，任务专注度增加。

• 与现有解决方案的比较:

  • 在与传统干预方式（如鼓励信息）的对比研究中，参与者在使用 CatAlyst 的干预后恢复任务的时间较短，主观体验更佳。
  • 长期使用实验表明，生成内容的新颖性能够持续吸引用户兴趣，而传统诱导方法容易因重复而失效。

• 实验或评估结果:

  • 在写作任务中，用户通过 CatAlyst干预平均恢复注意力的时间显著少于传统方法（18.8秒 vs 135.0秒）。
  • 在幻灯片编辑任务中，生成的内容帮助用户降低认知负担，减少任务完成时间（1356.5秒 vs 无干预的 2794.5秒）。
  • 用户认为该系统为其提供了提醒（reminder）、构思支持（ideator）以及协作者（peer）的角色。

• 局限性与未来方向:

  • 检测任务中断时刻的逻辑较简单（基于时间阈值），在准确性方面有改进空间。
  • 某些领域的生成内容质量不够稳定，影响用户体验。
  • 长期用户行为影响研究需要更加系统化。
  • 在系统部署前需评估生成模型中的潜在偏差和伦理问题。
  • 可探索与其他干预方法（如 HabitLab 的轮换干预模式）的结合，以保持干预的新颖性和连贯性。