发表机构
Cornell University; Tsinghua University; University of Illinois Urbana-Champaign; Technical University of Munich（康奈尔大学; 清华大学; 伊利诺伊大学厄巴纳-香槟分校; 慕尼黑工业大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本研究通过混合方法从用户视角刻画了人机交互中的记忆错位，提出14种错位类型和12种交互策略，发现用户偏好主动控制，倡导平衡监督与流畅性的摩擦感知记忆。
AI 中文摘要
虽然记忆增强了基于大语言模型的对话代理中的个性化，但它也存在记忆错位问题，即记忆违反了用户的期望。我们进行了一项混合方法研究，以从用户视角刻画并缓解记忆错位。首先，我们收集了记忆使用数据（N=28，457条记录）和日记研究数据（N=32，304份报告），由此产生了一个分类体系，涵盖记忆摄入、存储与管理、检索与解释阶段的14种错位类型。其次，与12位经验丰富的人机交互研究人员进行的四次协同设计工作坊，得出一个设计空间以解决记忆错位问题，该空间包含12种候选交互策略，这些策略按交互形式、放置位置和侵入性维度进行组织。最后，与121位用户进行的快速约会研究揭示了偏好异质性，用户优先选择主动控制，而非认知负担较高的因果图检查或被动审计日志。综合这些发现，我们强调了监督代理与交互开销之间的张力，并倡导具有摩擦感知的记忆，以平衡用户监督与对话流畅性。
英文摘要
While memory enhances personalization in LLM-based conversational agents, it suffers from memory misalignment, where memories violate user expectations. We present a mixed-methods investigation to characterize and mitigate memory misalignment from user perspectives. First, we collected data from memory usage (N=28, 457 entries) and diary study (N=32, 304 reports), which yielded a taxonomy spanning 14 misalignment types across memory intake, storage and management, retrieval and interpretation stages. Second, four co-design workshops with 12 experienced HCI researchers derived a design space to tackle memory misalignment issues, consisting of 12 candidate interaction strategies structured across interaction form, placement and intrusiveness dimensions. Finally, a speed dating with 121 users reveals preference heterogeneity, where users prioritize proactive controls over cognitively demanding causal graph inspections or passive audit logs. Synthesizing these findings, we highlight the tension between supervisory agency and interaction overhead, and advocate for friction-aware memories that balance user oversight with conversation smoothness.
