以学习为旨的信息寻求：一个对话式好奇数据集

开放式人类学习与信息寻求日益由数字助手中介。然而，此类系统常忽视用户已有知识。假设参与度与用户回应（如“点赞”消息或追问后续问题）相关，我们设计了一项 Wizard-of-Oz 对话任务，以检验当用户接收到与其已知内容相关的事实时参与度会提升这一假设。通过该实验的众包，我们收集并发布了 14K 段对话（181K 条话语），其中用户与助手围绕地理主题（如地缘政治实体与地点）交谈。该数据集标注了用户已有知识、消息级对话行为、对 Wikipedia 的 grounding 以及用户对消息的反应。利用用户先验知识的回应提升了参与度。我们将此知识纳入一个多任务模型，该模型复现人类助手策略，并在平均倒数排名上比 BERT 内容模型高出 13 个点。