Enhancing Debugging Skills with AI-Powered Assistance: A Real-Time Tool for Debugging Support
JetBrains Research（JetBrains研究）
本文提出一种基于AI的实时调试辅助工具，通过减少LLM调用并提升准确性，帮助提升编程教育中的调试技能。
2026-01-05 cs.AI cs.CY cs.SE
Have I Scene This Before? Spatially Grounded Conversational Memory for Complex Queries in Egocentric Assistants
针对自我中心助手处理复杂空间查询的挑战，提出空间接地对话记忆（SpaC-MEM），利用3D重建与分割压缩多模态历史，并构建Ego-SpaCR基准，在准确率与对象回忆上优于基线，验证了空间证据的关键作用。
2026-10-06 cs.AI
A Multimodal GUI Architecture for Interfacing with LLM-Based Conversational Assistants
本文提出一种通过MCP暴露导航图和语义的多模态GUI架构，使基于LLM的语音助手能控制界面，并评估了本地开放权重模型的可行性。
2025-10-09 cs.AI cs.HC
LLM-based Conversational AI Knowledge Assistant for MyBuddy Humanoid Robot
The University of Tokyo（东京大学）
针对人形机器人对话能力受限问题，提出基于LLM的MyBuddy人形机器人对话式AI知识助手，集成语音识别、知识检索与合成，实现多轮连续对话和情感支持交互。
2026-09-22 cs.AI cs.RO
FVDebug: An LLM-Driven Debugging Assistant for Automated Root Cause Analysis of Formal Verification Failures
NVIDIA
本文提出 FVDebug，融合波形、RTL 与规范，通过因果图、LLM 图扫描和智能体叙事解释自动定位形式验证失败根因并生成修复。
2025-09-16 cs.AI cs.AR
TREC iKAT 2023: A Test Collection for Evaluating Conversational and Interactive Knowledge Assistants
University of Amsterdam（阿姆斯特丹大学）；University of Edinburgh（爱丁堡大学）；University of Strathclyde（思克莱德大学）
TREC iKAT 2023构建了包含36个个性化对话、20个主题和PTKB的测试集，通过344轮对话及多维度评估，为对话式搜索代理研究提供基准。
2024-05-04 cs.AI cs.CL cs.IR
MIST: Multimodal Interactive Speech-based Tool-calling Conversational Assistants for Smart Homes
Columbia University（哥伦比亚大学）；Seoul National University（首尔国立大学）
本文提出MIST数据集，用于研究具备物理世界约束推理能力的多模态语音助手，发现开放和闭源多模态LLM在该任务上存在显著差距。
2026-05-07 cs.AI cs.CL cs.HC
Teaching Language Models How to Code Like Learners: Conversational Serialization for Student Simulation
本文提出通过对话序列化技术，直接从真实学生编程过程数据训练开放权重的人工编程学习者，提升模型在调试行为模拟中的能力。
2026-05-13 cs.AI cs.CL cs.CY
OpenAi's GPT4 as coding assistant
International Hellenic University（国际希腊大学）
本文通过构建测试考察 GPT3.5 与 GPT4 在回答开发问题、生成可靠代码和辅助调试方面的能力，发现 GPT4 表现突出，有望提升程序员生产力并重组软件开发流程。
2023-09-22 cs.AI cs.SE
An Approach to Build Zero-Shot Slot-Filling System for Industry-Grade Conversational Assistants
IBM Research（IBM研究院）；IBM Watson（IBM沃森）
本文提出通过精心构造覆盖多场景的任务数据来微调小型 LLM，构建低延迟、零样本工业级槽位填充系统，F1 较最佳基线相对提升 6.9%，延迟降低 57%。
2024-06-13 cs.AI cs.CL
A Multimodal Conversational Assistant for the Characterization of Agricultural Plots from Geospatial Open Data
Dept. AI \& Data Analytics CTIC Technology Center Gijón, Spain；Dept. IT CTIC Technology Center Gijón, Spain；Eng. University of Oviedo Gijón, Spain；Dept. R \& D CTIC Technology Center Gijón, Spain
本研究提出一种多模态对话助手，通过自然语言交互整合遥感和农业数据，降低专业信息访问门槛，实现农业地块表征。
2025-09-23 cs.AI
Cyri: A Conversational AI-based Assistant for Supporting the Human User in Detecting and Responding to Phishing Attacks
Sapienza University of Rome（罗马智慧大学）；Link Campus University of Rome（罗马 LINK 校园大学）
本研究提出Cyri——一款基于大型语言模型的对话式助手，通过本地处理网络钓鱼邮件语义特征（如紧急性）、支持多模态交互与按需检测，有效提升用户识别网络钓鱼的能力并保障数据隐私。
2025-02-09 cs.AI cs.CR cs.HC
RAG Without the Lag: Interactive Debugging for Retrieval-Augmented Generation Pipelines
University of Pittsburgh（匹兹堡大学）；UC Berkeley（加州大学伯克利分校）
针对RAG管道开发中组件交织难定位错误、参数更改预处理慢的问题，提出结合可组合RAG原语Python库与实时调试界面的RAGGY工具，贡献其设计实现、专家调试模式见解及未来RAG工具设计启示。
2025-04-18 cs.AI cs.HC
AI-driven formative assessment and adaptive learning in data-science education: Evaluating an LLM-powered virtual teaching assistant
本文提出VITA平台，集成LLM聊天机器人BotCaptain，通过对话式辅导、xAPI数据管道和自适应路径引擎，实现数据科学教育中的形成性评价与个性化学习，并提供了架构基准和部署蓝图。
2025-09-17 cs.AI cs.CY cs.HC
Automated Utterance Generation
University of Pennsylvania（宾夕法尼亚大学）；Passage AI
对话式人工智能助理越来越受欢迎，问答是任何对话式助理的重要组成部分。使用相关的话语作为特征的问答已被证明可以提高准确率和召回率，用于检索正确的答案由会话助理。因此，话语生成已经成为一个重要的问题，其目标是从由标题和描述组成的知识库文章中生成相关的话语（句子或短语）。然而，生成好的话语通常需要大量的手动工作，从而产生了对自动话语生成的需求。在本文中，我们提出了一个话语生成系统，1）使用提取摘要提取重要的句子的描述，2）使用多种释义技术，以产生一个不同的标题和摘要句的释义集，和3）选择好的候选释义的帮助下，一个新的候选选择算法。
2020-04-08 cs.AI cs.CL cs.LG
RetinalGPT: A Retinal Clinical Preference Conversational Assistant Powered by Large Vision-Language Models
School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）；School of Computing, Clemson University（克莱姆森大学计算机学院）；Washington University School of Medicine in St. Louis（圣路易斯华盛顿大学医学院）；The Keck School of Medicine of the University of Southern California（南加州大学凯克医学院）；Mayo Clinic（梅奥诊所）；Banner Alzheimer’s Institute（班纳阿尔茨海默病研究所）
本文提出由大型视觉语言模型驱动的视网膜临床偏好对话助手RetinalGPT，通过构建大型数据集、新型数据管线与定制视觉指令微调，在8个基准数据集上大幅提升视网膜疾病诊断、定量分析与病灶定位性能，构建了端到端临床研究框架。
2025-03-06 cs.AI cs.CL cs.CV
MAviS: A Multimodal Conversational Assistant For Avian Species
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出MAviS数据集和MAviS-Chat模型，通过整合图像、音频和文本信息，提升对鸟类物种的细粒度理解与多模态问答能力，并展示了在生态应用中领域适应的多模态大语言模型的重要性。
2026-06-04 cs.AI cs.CV
ToolTalk: Evaluating Tool-Usage in a Conversational Setting
Microsoft Corporation（微软公司）
本文提出ToolTalk基准，评估会话场景中LLM助手的多步工具使用能力，包含28个工具和7个插件，支持自动化评估，GPT-4成功率达50%。
2023-11-15 cs.AI cs.CL cs.LG
TaskDiff: A Similarity Metric for Task-Oriented Conversations
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Research（IBM研究院）
针对现有文本相似度度量方法无法有效处理面向任务对话的问题，提出TaskDiff度量方法，利用话语、意图和槽位等对话组件及其分布计算相似度，在基准数据集上表现出更优性能与鲁棒性。
2023-10-25 cs.AI cs.CL
Scaling CS1 Support with Compiler-Integrated Conversational AI
University of New South Wales（新南威尔士大学）
本文提出编译器集成的对话式AI工具DCC Sidekick，利用编译器错误上下文生成编程错误解释，并通过大规模CS1课程使用数据验证了其在扩展编程教育支持方面的有效性与可扩展性。
2024-07-22 cs.AI cs.CY cs.SE
Balancing Safety and Helpfulness in Healthcare AI Assistants through Iterative Preference Alignment
University of Maryland（马里兰大学）；Oracle Labs（Oracle实验室）；Oracle Health AI（Oracle健康AI）
本文提出通过迭代偏好对齐框架提升医疗AI助手的安全性与帮助性，通过KTO和DPO优化改进模型，提升有害查询检测性能并平衡安全与效用。
2025-12-03 cs.AI cs.CL cs.CY
What should I wear to a party in a Greek taverna? Evaluation for Conversational Agents in the Fashion Domain
Zalando SE（扎兰多公司）
针对时尚领域对话智能体的服务调用能力评估缺乏高质量数据集的问题，研究构建了含4000组多语言对话的电商时尚评估数据集，验证了其适配业务需求、助力工具迭代的价值。
2024-08-13 cs.AI cs.CL cs.HC
Documenting SME Processes with Conversational AI: From Tacit Knowledge to BPMN
Aarhus University（奥胡斯大学）
本文提出一种基于LLM的对话助手，通过访谈式对话将中小企业隐性知识转化为BPMN图表，实现流程文档化，降低文档化门槛，提升运营透明度。
2025-11-13 cs.AI
CONSCENDI: A Contrastive and Scenario-Guided Distillation Approach to Guardrail Models for Virtual Assistants
DynamoFL；Curai Health
本文提出 CONSCENDI，通过场景增强生成与对比样本构造训练数据并蒸馏到小型护栏模型，以提升虚拟助手输出合规性判别能力。
2024-04-03 cs.AI cs.CL cs.LG
Safeguards for Speech2Speech LLM-Assistants: A Case Study in Automotive Applications
研究汽车应用中语音到语音大语言模型助手的保障措施，探讨基于转录本和工具的两种实现方法，经实证评估发现因高延迟和技术障碍，这两种策略大多不适用于工业部署，还概述了面临的开放挑战。
2026-07-24 cs.AI
TWIZ-v2: The Wizard of Multimodal Conversational-Stimulus
NOVA University of Lisbon（里斯本新大学）；NOVA LINCS（新大学LINCS研究中心）
本文介绍 TWIZ 团队在 Alexa Prize TaskBot Challenge 2022 中构建的多模态任务助手 TWIZ bot，通过拟人对话、多模态刺激与零样本对话流程支持复杂手动任务。
2024-01-22 cs.AI cs.CL
WIP: Chat-Debugging: Large Language Model as a Hardware Debugging Assistant
School of Electrical and Computer Engineering, Oklahoma State University（俄克拉荷马州立大学电气与计算机工程学院）
该研究提出将大型语言模型应用于硬件调试的Chat-Debugging方法，通过人机交互提升电气类学生的调试信心与技能，填补了物理硬件调试辅助工具的研究空白。
2026-08-04 cs.CY cs.HC
Do You Feel Comfortable? Detecting Hidden Conversational Escalation in AI Chatbots
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
GAUGE通过实时检测AI聊天机器人中隐藏的情感升级，提升对话中隐性伤害的识别能力。
2026-01-21 cs.AI cs.CL
Mirroring to Build Trust in Digital Assistants
Apple Inc.（苹果公司）
我们描述的实验，以建立一个会话的数字助理，认为用户的首选会话风格。特别是，这些实验的目的是衡量用户是否喜欢和信任的助理，其会话风格匹配自己。为此，我们进行了一项用户研究，其中受试者与数字助理进行交互，该数字助理的响应方式要么与他们的对话风格相匹配，要么不匹配。使用自我报告的个性属性和受试者对互动的反馈，我们建立了可以可靠地预测用户首选会话风格的模型。
2019-04-02 cs.AI cs.CL cs.HC
A Conversational Digital Assistant for Intelligent Process Automation
IBM Research AI（IBM研究院人工智能）
机器人流程自动化（RPA）已成为业务流程中自动化任务的主要方法。RPA不再采用后端自动化，而是将用户界面上的鼠标单击自动化;这种由外而内的方法减少了更新旧版软件的开销。然而，它的许多缺点，即缺乏商业用户的可访问性，阻碍了它在高度管制的行业中的广泛采用。在这项工作中，我们将探索以对话式数字助理的形式实现交互式自动化。它允许业务用户通过自然语言与其自动化解决方案进行交互和自定义。该框架，创建这样的助手，依赖于一个多代理编排模型和会话包装的自主智能体，包括RPA。我们证明了我们提出的方法的有效性贷款审批业务流程和旅行审批业务流程。
2020-07-27 cs.AI cs.HC
Collaboration with Conversational AI Assistants for UX Evaluation: Questions and How to Ask them (Voice vs. Text)
Rochester Institute of Technology（罗切斯特理工学院）；University of Waterloo（滑铁卢大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
人工智能在帮助用户体验评估人员分析可用性测试方面很有前途，但其判断通常以非交互式可视化的形式呈现。评估人员可能对测试记录有疑问，但无法询问。交互式会话助理提供可以提高分析效率和评估者自主性的Q&A动态。为了了解与分析相关的所有问题，我们对20名通过文本或语音与模拟AI助手进行交互的参与者进行了一项绿野仙踪设计探索研究。我们发现，参与者询问了五类信息：用户操作、用户心理模型、人工智能助手的帮助、产品和任务信息以及用户人口统计数据。那些使用文本助手的人问了更多的问题，但问题长度相似。文本助理被认为效率更高，但两者在满意度和信任度方面的评分相同。我们还为未来的对话式AI助手提供设计考虑，以进行UX评估。
2023-03-07 cs.AI cs.HC
Is Conversational XAI All You Need? Human-AI Decision Making With a Conversational XAI Assistant
Delft University of Technology（代尔夫特理工大学）
本研究探讨对话式XAI界面对用户理解、信任及依赖AI系统的影响，发现其虽提升理解与信任，但与XAI仪表板一样引发过度依赖，LLM智能体加剧此现象，主因是解释深度错觉。
2025-01-29 cs.AI cs.HC
Document-editing Assistants and Model-based Reinforcement Learning as a Path to Conversational AI
University of Guelph（圭尔夫大学）；Vector Institute for Artificial Intelligence（向量人工智能研究院）；University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究院）
遵循命令或回答简单问题的智能助手，如Siri和谷歌搜索，是人工智能最具经济意义的应用之一。未来的对话式人工智能助手通过对领域、用户或用户目的的更深入理解，有望提供更强大的功能和更好的用户体验。但是，什么领域和什么方法最适合研究和实现这一承诺？在这篇文章中，我们主张的领域的语音文档编辑和基于模型的强化学习的方法。语音文档编辑的主要优点是，域的范围很窄，并且它为对话提供了一些关于（文档）的内容，这些内容是分隔的，并且智能助理可以完全访问。一般来说，强化学习的优点是，它的方法被设计成在没有明确指令的情况下从交互中学习，并且它使助手的目的形式化。需要基于模型的强化学习来真正理解话语领域，从而与用户有效地合作以实现他们的目标。语音文档编辑和基于模型的强化学习共同构成了实现会话AI的一个有前途的研究方向。
2020-08-27 cs.AI cs.HC cs.LG
Multi-trait User Simulation with Adaptive Decoding for Conversational Task Assistants
NOVA University of Lisbon（里斯本新大学）；NOVA LINCS
针对对话任务助手中多样用户特质难以模拟的问题，提出 mTAD，在解码时从特质专属 LM 采样以生成多画像对话，并通过 CTA 真实对话实验验证其有效性与灵活性。
2024-10-28 cs.AI cs.CL cs.HC
Why Are Conversational Assistants Still Black Boxes? The Case For Transparency
本文针对商业对话式助手缺乏有效隐私与透明度的问题，通过改造开源语音助手Mycroft实现数据访问审计追踪，证明该问题可通过现有技术解决，本质是商业决策而非技术局限。
2023-06-08 cs.HC
Evorus: A Crowd-powered Conversational Assistant Built to Automate Itself Over Time
Carnegie Mellon University（卡内基梅隆大学）
人群驱动的会话助理已被证明比自动化系统更强大，但这样做的代价是更高的响应延迟和金钱成本。一个有前途的方向是将这两种方法结合起来，以获得高质量、低延迟和低成本的解决方案。在本文中，我们介绍了Evorus，这是一种基于人群的会话助手，可以通过以下方式随着时间的推移自动化：（i）允许新的聊天机器人轻松集成以自动化更多场景，（ii）重用先前的人群答案，以及（iii）学习自动批准响应候选人。我们对80名参与者和281次对话进行了长达5个月的部署，结果表明Evorus可以在不影响对话质量的情况下实现自动化。Crowd-AI架构长期以来一直被认为是降低群体驱动系统成本和延迟的一种方法; Evorus演示了如何在部署的系统中成功引入自动化。它的体系结构允许未来的研究人员在部署的开放域对话系统的上下文中对底层自动化组件进行进一步的创新。
2018-01-10 cs.AI cs.CL cs.HC
Thinking Assistants: LLM-Based Conversational Assistants that Help Users Think By Asking rather than Answering
提出“思考助手”概念，通过LLM基于专家知识提出反思性问题而非直接回答来增强用户认知，实验证明其能更有效引导决策，为开发更有效的LLM代理指明方向。
2024-12-24 cs.HC
Conversations for Vision: Remote Sighted Assistants Helping People with Visual Impairments
视力障碍（PVI）患者必须与他们看不到的世界互动。远程视力援助已成为一种对话/社会支持系统。我们采访了通过名为Aira（https：//aira.io/）的对话/社交假肢提供或接受帮助的参与者。我们确定了提供的四种类型的支持：场景描述，性能，社交互动和导航。我们发现，会话风格是依赖于上下文的。有视力的助理会有意识地努力获取PVI的个人知识，并在他们提供的指导中利用这些知识。PVI使用非语言行为（例如手势）作为平行的沟通渠道，为有视力的助手提供反馈或指导。我们还讨论了对设计的影响。
2018-12-01 cs.HC
"Mango Mango, How to Let The Lettuce Dry Without A Spinner?": Exploring User Perceptions of Using An LLM-Based Conversational Assistant Toward Cooking Partner
本研究探索用户使用基于LLM的烹饪对话助手Mango Mango的体验，发现其价值在于定制指令、丰富信息和动态规划，但需更适应对话，据此提出五项设计考虑。
2025-08-07 cs.HC
The Programmer's Assistant: Conversational Interaction with a Large Language Model for Software Development
大语言模型（LLM）最近已经应用于软件工程中以执行诸如在程序设计语言之间翻译代码、从自然语言生成代码以及在编写代码时自动完成代码的任务。当在开发工具中使用时，这些系统通常将每个模型调用独立于所有先前的调用进行处理，并且在用户界面中仅公开特定的有限功能。这种用户交互的方法错过了用户更深入地参与模型的机会，因为用户之前的交互的上下文以及他们的代码的上下文通知了模型的响应。我们开发了一个原型系统-程序员的助手-为了探索基于代码的会话交互的实用性，以及软件工程师对与代码流畅的LLM对话而不是调用的想法的接受程度。通过对42名具有不同编程经验水平的参与者的评估，我们发现我们的系统能够进行扩展的多轮讨论，并且它能够从LLM中获得代码生成之外的其他知识和能力。尽管最初对会话编程帮助的期望持怀疑态度，但参与者对助理能力的广度，其响应的质量及其提高生产力的潜力印象深刻。我们的工作展示了与LLM进行对话互动的独特潜力，用于软件开发等共同创造过程。
2023-02-14 cs.HC
Like My Aunt Dorothy: Effects of Conversational Styles on Perceptions, Acceptance and Metaphorical Descriptions of Voice Assistants during Later Adulthood
本研究通过绿野仙踪实验发现，语音助手的正式与非正式对话风格对中年和老年用户的技术接受度、拟人化隐喻及感知存在差异化影响，为面向成年后期人群的个性化语音助手设计提供了依据。
2023-09-20 cs.HC
Different but Equal: Comparing User Collaboration with Digital Personal Assistants vs. Teams of Expert Agents
IBM Research – Brazil（IBM研究院（巴西））
这项工作比较了用户与会话式个人助理的协作与专家聊天机器人团队的协作。进行了两项研究，以调查是否每种方法影响任务的完成和协作成本。参与者与两个等效的金融建议聊天机器人系统进行交互，一个由一个对话顾问组成，另一个基于四个专家聊天机器人团队。结果表明，用户有不同形式的经验，但同样能够实现自己的目标。与预期相反的是，有证据表明，在团队合作的情况下，用户更能够更好地预测代理的行为，并没有开销来维持共同点，这表明类似的协作成本。结果指向的两种方法中的任何一种的用户与会话代理的合作的可行性。
2018-08-24 cs.AI cs.HC cs.MA
Examining the Potential for Conversational Exploratory Search using a Smart Speaker Digital Assistant
在线数字助理，如亚马逊Alexa，谷歌助理，苹果Siri非常受欢迎，并为其用户提供一系列服务，一个关键功能是他们能够从可用的来源满足用户的信息需求。用户可能经常将这些应用视为提供类似于Google类型的搜索引擎的搜索服务。然而，虽然很明显，他们通常能够有效地回答事实问题，但他们对不太具体或探索性的搜索任务的支持程度却不那么明显。我们描述了一项调查，检查标准亚马逊Alexa的探索性搜索任务的行为。我们的研究结果表明，它不能有效地解决这些类型的信息需求。我们提出了旨在克服这些缺点的Alexa扩展。我们的自定义Alexa应用程序扩展了Alexa的探索性搜索会话功能。一项用户研究表明，我们的扩展Alexa应用程序既能使用户更成功地完成探索性搜索任务，也能被我们的测试用户所接受。
2023-03-18 cs.HC cs.IR
No Two Developers Think Alike: How Problem-Solving Styles and Experience Shape Needs in Conversational Interaction with Copilot
Radboud University Nijmegen（拉德堡德大学）；Federal University of Technology – Paraná Campo Mourão（巴拉那联邦技术大学 - 卡莫阿乌校区）；Microsoft（微软）
通过混合方法出声思考研究，识别出5种交互模式和10种需求，并建立概念模型，揭示认知多样性如何影响开发者与GitHub Copilot的交互。
2026-06-18 cs.HC cs.SE
ProVoice: Designing Proactive Functionality for In-Vehicle Conversational Assistants using Multi-Objective Bayesian Optimization to Enhance Driver Experience
UCL Interaction Centre（UCL交互中心）；Institute of Media Informatics, Ulm University（乌尔姆大学媒体信息研究所）
ProVoice通过多目标贝叶斯优化设计车载对话助手的前瞻性功能，提升驾驶员体验并优化设计权衡。
2026-01-27 cs.HC
"It Became My Buddy, But I'm Not Afraid to Disagree": A Multi-Session Study of UX Evaluators Collaborating with Conversational AI Assistants
York University（约克大学）；University of Waterloo（滑铁卢大学）；Snowflake（雪佛龙数据公司）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Google Deepmind（谷歌DeepMind）；Rochester Institute of Technology（罗切斯特理工学院）
研究探讨了AI专家形象如何影响评估者分析策略和信任随时间变化，发现评估者在初期表现出新颖效应，随后信任下降但逐渐恢复，效率提升源于从双轮检查到单轮检查的转变，最终评估者认为经验型AI更高效、可信和全面。
2026-03-14 cs.HC
Towards Proactive Interactions for In-Vehicle Conversational Assistants Utilizing Large Language Models
本研究提出基于LLM的“重写+ReAct+反思”策略，建立五级主动性框架，提升车载对话助手主动交互，实验验证其有效性和用户偏好。
2024-03-14 cs.HC
"Is there anything else I can help you with?": Challenges in Deploying an On-Demand Crowd-Powered Conversational Agent
Carnegie Mellon University（卡内基梅隆大学）；University of Michigan（密歇根大学）；Ariel University（阿里埃勒大学）
智能会话助理，如苹果的Siri，微软的Cortana和亚马逊的Echo，已经迅速成为我们数字生活的一部分。然而，这些助手有很大的局限性，这使得用户无法像与人类对话伙伴一样与它们对话。这限制了我们观察用户真正想要如何与底层系统交互的能力。为了解决这个问题，我们开发了一个群体驱动的对话助手Chorus，并部署了它，以了解用户和工作人员在系统的调解下如何互动。随着时间的推移，Chorus通过按需招聘员工来与最终用户进行详细的对话，这反过来又决定了对每个用户句子的最佳回应。截至我们部署的第一个月，已有59名用户在320个对话会话中与Chorus进行了对话。在本文中，我们介绍了Chorus的部署，重点是四个挑战：（i）识别对话何时结束，（ii）恶意用户和工作人员，（iii）按需招聘，以及（iv）共识不够的设置。我们的观察可以帮助部署群体供电的会话系统和群体供电的系统一般。
2017-08-10 cs.AI cs.CL cs.HC
What Did I Say Again? Relating User Needs to Search Outcomes in Conversational Commerce
针对对话式商务中用户难以了解系统如何处理其需求的问题，提出在产品评估阶段用自然语言解释和高亮文本关联用户先前话语与产品方面，实验表明可显著提升感知透明度。
2024-10-02 cs.HC
Conversational Help for Task Completion and Feature Discovery in Personal Assistants
Microsoft India Development Center（微软印度开发中心）
智能个人助理（IPAs）近年来已经变得非常流行。如今，大多数商业IPA都支持各种技能，包括警报、提醒、天气更新、音乐、新闻、事实提示等，列表每天都在增长，因此很难记住执行各种任务所需的命令结构。IPA必须有能力传达有关所支持技能的信息，并指导用户使用执行这些技能所需的正确命令。用户以自然语言与个人助理交互。如果查询寻求关于个人助理的能力的信息，或者请求执行任务的指令，则该查询被定义为帮助查询。在本文中，我们提出了一个互动系统，确定帮助查询和检索适当的反应。我们的系统包括一个基于C-BiLSTM的分类器，它是卷积神经网络（CNN）和双向LSTM（BiLSTM）架构的融合，用于检测帮助查询和语义近似最近邻（ANN）模块，用于将查询映射到适当的预定义响应。对我们的系统在商业IPA的真实查询上的评估以及与流行的传统机器学习和基于深度学习的模型的详细比较表明，我们的系统优于其他方法，并返回相关的帮助查询响应。
2019-07-16 cs.CL cs.HC cs.LG
Voice-Based Conversational Agents for self-reporting fluid consumption and sleep quality
智能对话代理和虚拟助手，如聊天机器人和语音助手，有可能增强健康服务能力，以筛查症状和提供医疗干预。在本文中，我们在Google Actions Console中开发了基于语音的会话代理（VCA），以提供定期的自我评估健康调查。本文的重点是适应自我监测的患者特定的液体消耗量的要求或睡眠障碍。我们的VCA，名为FluidMonitor和Sleepy，经过测试，可以自然融入患者的日常生活方式，提供有用的干预措施。我们展示了Google Actions的功能，并讨论了使用VCA作为家庭自我报告调查技术的注意事项。用户测试表明，对VCA的易用性、受欢迎程度和负担水平表示满意。
2022-02-04 cs.HC
How to Teach Programming in the AI Era? Using LLMs as a Teachable Agent for Debugging
本研究提出HypoCompass系统，让学生以助教身份帮LLM可教智能体调试代码，通过任务分工提升学生调试能力，其生成训练材料效率超人类四倍，学生调试成绩提升12%。
2024-10-10 cs.HC cs.SE
Dialogue to Discovery: Attribute-Aware Preference Elicitation for Conversational Product Search Assistants
Adobe Research（Adobe研究院）；Microsoft Research（微软研究院）；UC Berkeley（伯克利大学）
提出属性导向的偏好引导框架D2D，动态利用产品属性结构高效引导对话，在模拟对话中目标发现准确率提升22.2-29.9%，放弃率降低6.6-16.1%，平均对话缩短27.5%。
2026-06-24 cs.CL cs.HC cs.IR
When Disability Disclosure Travels: Memory, Privacy, and Contextual Integrity in Conversational AI
Carnegie Mellon University（卡内基梅隆大学）；Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）
本研究通过访谈12位美国残障用户，揭示其在对话式AI中按需披露残障、面临双重接收者规范冲突及记忆功能导致信息漂移，提出需增强情境控制以保护隐私。
2026-09-22 cs.CY cs.HC
