Understanding the Impact of Long-Term Memory on Self-Disclosure with Large Language Model-Driven

828 篇文章

已下架不支持订阅

本文研究了大型语言模型(LLM)驱动的聊天机器人如何通过长期记忆(LTM)增强用户健康披露。分析1252个通话日志和9名用户访谈,发现LTM提高了熟悉度和积极认知,但也引发慢性病和隐私问题。讨论了在LLM聊天机器人中集成LTM的考虑,强调了选择性记忆设计的重要性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《Understanding the Impact of Long-Term Memory on Self-Disclosure with Large Language Model-Driven Chatbots for Public Health Intervention》的翻译。

利用大型语言模型驱动的聊天机器人了解公共卫生干预中长期记忆对自我暴露的影响

摘要

最近的大型语言模型(LLM)通过开放式对话促进健康披露,提供了支持公共卫生监测的潜力,但很少保留在重复互动中获得的关于个人的知识。用长期记忆增强LLM(LTM)提供了一个提高参与度和自我披露的机会,但我们对LTM如何影响人们在公共卫生干预中与LLM驱动的聊天机器人的互动缺乏了解。我们通过分析1252个通话日志和对9名用户的采访,研究了CareCall的案例,CareCall是一种LLM驱动的LTM语音聊天机器人。我们发现,LTM通过提供熟悉度,增强了健康披露,并培养了对聊天机器人的积极认知。然而,我们也观察到通过LTM促进自我披露的挑战,特别是在解决慢性健康状况和隐私问题方面。我们讨论了在LLM驱动的聊天机器人中集成LTM以进行公共卫生监测的考虑因素,包括根据公共卫生目标仔细决定需要记住哪些主题。

1 引言

2 相关工作

3 研究背景:CLOVA护理与长期

已下架不支持订阅

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值