面向对话智能体训练话语撰写的交互式指导方法研究
作者
对话式聊天机器人大语言模型(LLM)的人机协作众包任务设计与质量控制AI/ML 研究员与工程师HCI 研究员Amazon Mechanical Turk 工作者
改进监督学习训练的对话智能体需要根据聊天日志迭代完善示例意图训练话语。该过程的难点在于部署前用于训练意图的初始示例话语的质量。我们采访了经验丰富的对话智能体意图训练师,深入了解他们创建新意图时面临的挑战及撰写高质量训练话语的最佳实践。利用这些发现和相关文献,我们开发了一个意图训练工具,通过语言反馈或示例话语提供交互式指导。语言反馈在训练话语可进行语言改进时通知用户,而示例话语通过众包获取,在部署意图前提供终端用户语言示例。我们在一项187名参与者的受试者间研究中比较了这两种指导类型。研究发现,语言反馈组的参与者报告了有限的创造力和更高的认知负荷,且花费更多时间完成任务,但在制作符合最佳实践的话语时更加深思熟虑。相比之下,示例话语组参与者利用样本快速选择示例或将其作为开发新话语想法的跳板。我们报告了用户经验的差异、参与者采取的策略以及对不同指导类型的偏好。
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。
help
研究问题
3- 如何通过交互式语言反馈提升初学者在写作意图训练语句(用于对话代理)时的质量和效率?分类: 写作、论证与学术知识工作学习同类问题arrow_forward
- 用户参考什么样的样本句子设计可以提高语句写作效率,同时确保多样性和质量?分类: 写作、论证与学术知识工作学习同类问题arrow_forward
- 交互式语言反馈与样本句子指导在提升意图分类精度和用户体验方面各有哪些优势和限制?分类: 写作、论证与学术知识工作学习同类问题arrow_forward
lightbulb
现实痛点
1- 初学者很难高效写出高质量的意图训练语句,用于对话代理。分类: 写作、论证与学术知识工作学习同类问题arrow_forward
- 67%
聊天机器人还是聊天阻碍者:部署前预测聊天机器人受欢迎程度
DIS '21· 对话式聊天机器人 +1
- 67%
Memolet:用户与AI对话记忆的可重用性实体化
UIST '24· 对话式聊天机器人 +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
一眼看懂
fact_check论文快照
dataset
来源
CUI
calendar_month
年份
2024
emoji_events
奖项
未标记奖项
group
作者
6 位作者
sell
研究子方向
对话式聊天机器人、大语言模型(LLM)的人机协作、众包任务设计与质量控制
work
职业/产业
AI/ML 研究员与工程师、HCI 研究员、Amazon Mechanical Turk 工作者
article
内容状态
仅摘要
hub
相关论文
2 篇相关论文