少即是多：面向超小设备的LLM推荐可扫视解释方法研究

DOI

大型语言模型（LLM）在作为个人AI助手推荐日常行为方面展现出巨大潜力，而可解释人工智能（XAI）技术正被越来越广泛地用于帮助用户理解推荐的原因。当今的个人AI助手通常位于智能手表等超小设备上，这些设备屏幕空间有限。然而，LLM生成的解释内容冗长，使得在超小设备上提供可扫视的LLM解释具有挑战性。针对这一问题，我们探索了：1）在提示过程中使用定义的上下文组件对LLM的解释文本进行空间结构化；2）根据置信度向用户呈现时间自适应解释。我们开展了一项用户研究，以了解这些方法如何影响用户在与超小设备上的LLM推荐和解释交互时的体验。结果表明，结构化解释减少了用户阅读解释时的行动时间和认知负荷。始终显示的结构化解释提高了用户对AI推荐的接受度。然而，与非结构化解释相比，用户对结构化解释的满意度较低，因为结构化解释缺乏足够、可读的细节。此外，与始终显示的结构化解释相比，自适应呈现结构化解释在改善用户对AI的感知方面效果较差。结合用户的访谈反馈，这些结果为在超小设备上显示的LLM解释的内容和时机个性化提供了设计启示。