Quriosity：通过好奇心驱动的查询分析人类提问行为与因果探究

最新进展表明，大型语言模型（LLM）技术正在改变我们与这些模型交互的方式。我们不再主要通过测试已知答案的问题来检验这些模型，而是现在正利用它们进行那些我们对答案一无所知的查询，这些查询是由人类好奇心驱动的。这一转变凸显了理解好奇心驱动的人类问题——即那些更复杂、更开放且反映真实世界需求的问题——的日益增长的需求。为此，我们提出Quriosity，一个包含13.5万个自然发生问题的集合，来自三个多样化来源：人类搜索引擎查询、人类间交互以及人类与LLM对话。我们的全面收集使我们能够在各种领域和情境中深入理解人类好奇心。我们的分析揭示了数据集中显著比例的因果问题（最高达42%），针对这些问题，我们开发了一套迭代式提示改进框架，用于识别所有因果查询并探讨其独特的语言属性、认知复杂性和来源分布。我们的论文为未来在因果问题识别和开放式聊天机器人交互方面的工作铺平了道路。我们的代码和数据可在 https://github.com/roberto-ceraolo/quriosity 查阅。