CatAlyst：利用大型生成模型进行领域可扩展干预以预防任务拖延
人机交互
2023-03-13 v2 人工智能
摘要
CatAlyst 使用生成模型，通过影响工作者的任务参与度而非直接贡献于其任务输出来帮助其推进工作。它通过生成工作者工作的延续内容并将其作为一种比传统（预定）反馈更具上下文感知的干预措施，提示分心的工作者继续其任务。即使生成的延续内容不足以替代其工作，该提示也可通过引起其兴趣并降低恢复工作的门槛而发挥作用，而近期以工作替代为目标的人机协作研究依赖于稳定的高准确率。这使得 CatAlyst 免于领域特定的模型调优，并可应用于各类任务。我们涉及写作和幻灯片编辑任务的研究表明，CatAlyst 在帮助工作者以更低认知负荷迅速恢复任务方面具有有效性。结果表明了一种新形式的人机协作，其中对各领域个体而言虽不完美但可公开获取的大型生成模型能够促进工作者的数字福祉。
引用
@article{arxiv.2302.05678,
title = {CatAlyst: Domain-Extensible Intervention for Preventing Task Procrastination Using Large Generative Models},
author = {Riku Arakawa and Hiromu Yakura and Masataka Goto},
journal= {arXiv preprint arXiv:2302.05678},
year = {2023}
}
备注
Accepted by ACM CHI Conference on Human Factors in Computing Systems (CHI '23)