Understanding How People Customize, Interact, and Experience Personas in Large Language Models

本篇文章属于LLM系列内容，主要涉及对《CloChat: Understanding How People Customize, Interact, and Experience Personas in Large Language Models》这一文献的译介工作。

CloChat：了解人们如何在大型语言模型中自定义、交互和体验人物角色

• 摘要
  • 1 引言
  • 2 相关研究
  • 3 探究议题
  • 4 CLOCHAT
  • 5 用户调研
  • 6 数值分析
  • 7 质性分析
  • 8 分析讨论
  • 9 总结归纳

摘要

大型语言模型（LLM）在构建会话代理方面取得了突破性进展，成功实现了在多种主题下流畅且具备上下文关联性的对话交互。然而，当前由LLM驱动的会话代理通常具备固定的个性特征与功能设定，这在一定程度上制约了其对个体用户需求的适应能力。通过创建具备特定专业背景或独特属性的个性化代理角色，有望缓解这一问题。尽管如此，关于用户如何对代理角色进行个性化设置以及如何与之互动的相关认知仍较为有限。本项研究旨在探讨用户定制代理角色的方式，并分析其对对话质量、内容多样性及互动动态性所产生的影响。为此，我们设计并开发了CloChat——一个能够便捷且精准地在LLM中实现代理角色定制的交互界面。通过开展一项对比研究，我们考察了参与者在使