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

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。

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护理与长期记忆

4 方法

5 发现

6 讨论