少即是多：面向超小型设备的 LLM 推荐可视化解释
人机交互
2025-02-27 v1 人工智能
摘要
大型语言模型（LLM）在推荐日常行动方面展现出巨大潜力，而可解释人工智能（XAI）技术正被越来越多地用于帮助用户理解推荐背后的原因。当前的个人 AI 助手通常部署在智能手表等超小型设备上，屏幕空间有限。然而，LLM 生成的解释 verbosity 大，导致在此类设备上呈现可快速浏览的 LLM 解释颇具挑战。为此，我们探索了两种方法：1）在提示过程中对 LLM 解释文本进行空间结构化处理，采用定义明确的上下文组件；2）基于置信水平呈现时间自适应的解释。我们进行了用户研究，了解这些方法在与 LLM 推荐及其解释交互时对用户体验的影响。结果表明，结构化解释减少了用户行动时间和阅读解释时的认知负荷。始终开启的结构化解释提高了用户对 AI 推荐的接受度。然而，用户对结构化解释的满意度较低，原因在于其缺乏足够且易读的细节。此外，基于自适应呈现的结构化解释在提升用户对 AI 的感知方面效果不如始终开启的结构化解释。结合用户访谈反馈，这些结果指导了在超小型设备上显示 LLM 解释的内容和时机进行个性化时的注意事项。
引用
@article{arxiv.2502.19410,
title = {Less or More: Towards Glanceable Explanations for LLM Recommendations Using Ultra-Small Devices},
author = {Xinru Wang and Mengjie Yu and Hannah Nguyen and Michael Iuzzolino and Tianyi Wang and Peiqi Tang and Natasha Lynova and Co Tran and Ting Zhang and Naveen Sendhilnathan and Hrvoje Benko and Haijun Xia and Tanya Jonker},
journal= {arXiv preprint arXiv:2502.19410},
year = {2025}
}