若你换种方式表述呢？：解释格式如何影响人类反馈效用与用户感知

从 NLP 模型的最终用户处获取反馈有助于改进模型。然而，我们应如何向用户呈现模型响应，使其最易于根据用户反馈进行纠正？此外，用户看重哪些属性以理解并信任响应？我们通过分析 QA 模型为支持其答案而生成的基本原理（或解释）的影响来回答这些问题。我们特别考虑了分解式 QA 模型，其首先基于上下文和问题提取中间基本原理，然后仅使用该基本原理来回答问题。基本原理概述了模型回答问题所遵循的方法。我们的工作考虑了这些基本原理的多种格式，它们根据感兴趣的明确定义属性而变化。我们使用少样本提示为两个数据集从语言模型中采样基本原理，随后进行了两项用户研究。首先，我们向用户展示错误答案及相应格式的基本原理，并要求他们提供自然语言反馈以修订基本原理。然后，我们通过上下文学习来衡量该反馈在修补这些基本原理上的有效性。第二项研究评估了当模型答案正确时，不同基本原理格式在多大程度上帮助用户理解并信任模型答案。我们发现，基本原理格式显著影响（1）用户给出反馈的难易度，以及（2）模型后续执行该反馈的难易度。此外，带有上下文归因和深入推理的格式显著增强了用户所报告的对模型输出的理解与信任。