清楚了吗？澄清性问题对人类-LLM 交互的影响

LLM 助手越来越多地提出澄清性问题（CQs），以获取用户偏好并定制推荐。尽管已有研究强调其在回答质量和用户体验方面的改善，但 CQs 如何影响用户随后的参与和依赖仍不清楚。我们开展了一项控制实验（N=180），涵盖六个日常决策场景，比较了有无 CQs 的人-LLM 交互。我们进一步操纵了回答是否违反明确约束，以及违反是否发生在 CQs 所针对的子决策中，同时保持已获取的偏好不变。CQs 提高了感知理解和满意度，但参与者花在审阅和评估回答上的时间更少，并更多地原样接受回答，包括错误的回答。在 CQ 条件下，参与者更常接受包含与 CQ 相邻违规的回答，而非非相邻违规。这些发现表明，LLM 的主动 CQs 通过偏好获取塑造了随后的参与和依赖。我们讨论了对设计和评估主动式助手的启示，这些助手需在个性化之外支持用户对回答的持续审查。

中文由 AI 翻译，仅供参考，以原文为准。