面向更好健康对话：情境寻求的益处
人机交互
2025-10-23 v1 计算与语言
计算机与社会
摘要
在现代信息图景中，探索健康问题可能令人气馥。大型语言模型（LLM）可能提供有针对性、可接近的信息，但也可能因不准确、偏见或误导而受到质疑。我们提供来自4项混合方法研究（总计N=163）的见解，探讨人们如何与LLM就自身健康问题进行交互。定性研究揭示了在对话式AI中寻求情境的重要性，以获取个人可能不愿意主动提供或不知需分享的具体细节。尽管如此，参与者仍高度重视LLM的情境寻求，哪怕意味着推迟几个回合才能作答。我们整合了这些见解，开发了“Wayfinding AI”以主动 soliciting 情境。在一项随机、盲法研究中，参与者将Wayfinding AI评为比基线AI在有用性、相关性和针对性方面都更为出色。这些结果表明，主动寻求情境对对话动态具有强大的影响，并为构建支持健康主题对话式AI的设计模式提供了建议。
引用
@article{arxiv.2510.18880,
title = {Towards Better Health Conversations: The Benefits of Context-seeking},
author = {Rory Sayres and Yuexing Hao and Abbi Ward and Amy Wang and Beverly Freeman and Serena Zhan and Diego Ardila and Jimmy Li and I-Ching Lee and Anna Iurchenko and Siyi Kou and Kartikeya Badola and Jimmy Hu and Bhawesh Kumar and Keith Johnson and Supriya Vijay and Justin Krogue and Avinatan Hassidim and Yossi Matias and Dale R. Webster and Sunny Virmani and Yun Liu and Quang Duong and Mike Schaekermann},
journal= {arXiv preprint arXiv:2510.18880},
year = {2025}
}