利用可视化工作区引导 LLM 概要生成以实现信息感知
人机交互
2024-09-27 v1
摘要
大型语言模型（LLM）已被广泛应用于概要生成领域 due to its speed and high-quality text generation。对于感知导向的概要生成，涉及信息压缩和洞察提取。感知任务中的人类指导可以优先排序和聚类相关信息以供 LLM 使用。然而，用户必须将其认知思考翻译为自然语言以与 LLM 通信。我们能否使用更易读和可操作的可视化表示来引导感知任务的概要生成过程？因此，我们提出在 LLM 生成之前引入一种中间步骤——一种人类感知的示意图可视化工作区，以引导和细化概要生成过程。我们进行了一系列原型实验，以探讨通过可视化工作区来增强 GPT-4 生成概要的潜力。利用带有 ground truth 概要的文本感知数据集，我们评估了人类生成的可视化工作区对 LLM 生成数据集概要的影响，并评估了空间引导概要的有效性。我们对从典型人类工作区中可提取的几类信息进行了分类，这些信息可以注入到经过设计的提示中，以引导 LLM 概要生成。结果表明，这些工作区有助于使 LLM 与 ground truth 对齐，从而实现比不使用工作区时的更准确概要结果。
引用
@article{arxiv.2409.17289,
title = {Steering LLM Summarization with Visual Workspaces for Sensemaking},
author = {Xuxin Tang and Eric Krokos and Can Liu and Kylie Davidson and Kirsten Whitley and Naren Ramakrishnan and Chris North},
journal= {arXiv preprint arXiv:2409.17289},
year = {2024}
}
备注
11 figures, 7 pages