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。