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

本文是LLM系列文章，针对《CloChat: Understanding How People Customize, Interact, and
Experience Personas in Large Language Models》的翻译。

摘要

大型语言模型（LLM）在生成会话代理方面取得了重大进展，实现了跨不同主题的无缝、上下文相关的对话。然而，现有的LLM驱动的会话代理具有固定的个性和功能，限制了它们对个人用户需求的适应性。创建具有独特专业知识或特征的个性化代理角色可以解决这个问题。尽管如此，我们对人们如何定制和与代理角色交互缺乏了解。在这项研究中，我们调查了用户如何定制代理角色，以及它们对交互质量、多样性和动态性的影响。为此，我们开发了CloChat，这是一个支持在LLM中轻松准确地定制代理人物角色的界面。我们进行了一项研究，比较了参与者如何与CloChat和ChatGPT进行交互。结果表明，参与者与定制的代理形成了情感纽带，参与了更具活力的对话，并对持续的互动表现出了兴趣。这些发现有助于为未来使用LLM的会话代理系统提供设计启示。

1 引言

2 相关工作

3 研究问题

4 CLOCHAT

5 用户研究

6 定量结果

7 定性结果