Balancing Domestic and Global Perspectives: Evaluating Dual-Calibration and LLM-Generated Nudges for Diverse News Recommendation

该研究通过在 POPROX 平台上对 120 名美国用户进行为期 5 周的实地实验,验证了结合“主题 - 地域双重校准”算法与基于大语言模型的个性化呈现“助推”策略能有效提升新闻推荐的多样性,并促使读者逐渐养成兼顾国内与国际新闻的阅读习惯。

Ruixuan Sun, Matthew Zent, Minzhu Zhao, Thanmayee Boyapati, Xinyi Li, Joseph A. KonstanMon, 09 Ma🤖 cs.AI

Challenges in Synchronous & Remote Collaboration Around Visualization

该论文基于 29 位国际专家的观点,围绕五大可视化协作活动及 XR 与 AI 技术的影响,系统归纳了远程同步可视化协作面临的 16 项挑战,并提出了涵盖技术选择、社会因素、AI 辅助及评估的未来研究框架。

Matthew Brehmer, Maxime Cordeil, Christophe Hurter, Takayuki Itoh, Wolfgang Büschel, Mahmood Jasim, Arnaud Prouzeau, David Saffo, Lyn Bartram, Sheelagh Carpendale, Chen Zhu-Tian, Andrew Cunningham, Tim Dwyer, Samuel Huron, Masahiko Itoh, Alark Joshi, Kiyoshi Kiyokawa, Hideaki Kuzuoka, Bongshin Lee, Gabriela Molina León, Harald Reiterer, Bektur Ryskeldiev, Jonathan Schwabish, Brian A. Smith, Yasuyuki Sumi, Ryo Suzuki, Anthony Tang, Yalong Yang, Jian ZhaoMon, 09 Ma💻 cs

Learning Next Action Predictors from Human-Computer Interaction

该论文提出了名为 LongNAP 的用户模型,通过结合参数化学习与上下文学习,利用大规模标注的自然交互数据来预测用户的多模态下一步操作,从而实现了在复杂交互背景下对用户需求的主动式预测。

Omar Shaikh, Valentin Teutschbein, Kanishk Gandhi, Yikun Chi, Nick Haber, Thomas Robinson, Nilam Ram, Byron Reeves, Sherry Yang, Michael S. Bernstein, Diyi YangMon, 09 Ma💬 cs.CL

Who We Are, Where We Are: Mental Health at the Intersection of Person, Situation, and Large Language Models

该论文基于交互主义和建构主义心理学理论,提出了一种融合个体特质与情境特征的机器学习方法,利用大型语言模型分析社交媒体数据以预测心理健康状态,在保持竞争力的同时显著提升了模型的可解释性。

Nikita Soni, August Håkan Nilsson, Syeda Mahwish, Vasudha Varadarajan, H. Andrew Schwartz, Ryan L. BoydMon, 09 Ma🤖 cs.AI

Exploring Socially Assistive Peer Mediation Robots for Teaching Conflict Resolution to Elementary School Students

该研究通过一项针对 12 名小学生的探索性实验,评估了社会辅助机器人作为同伴调解员在教授冲突解决技能方面的可行性,结果显示尽管机器人组与平板组在统计指标上无显著差异,但多数学生反馈积极,且机器人条件下观察到了特质指标与学习指标间的显著相关性,表明 SARs 在同伴调解培训中具有应用潜力。

Kaleen Shrestha, Harish Dukkipati, Avni Hulyalkar, Kyla Penamante, Ankita Samanta, Maja MataricMon, 09 Ma💻 cs

Structured Exploration vs. Generative Flexibility: A Field Study Comparing Bandit and LLM Architectures for Personalised Health Behaviour Interventions

这项研究通过对比实验发现,虽然基于大语言模型(LLM)的消息生成方式在用户感知帮助度上显著优于模板化方法,但结合上下文多臂老虎机(Bandit)的优化策略并未带来额外收益,表明在个性化健康行为干预中,对用户输入的语境化回应比单纯的结构化探索或生成灵活性更为关键。

Dominik P. Hofer, Haochen Song, Rania Islambouli, Laura Hawkins, Ananya Bhattacharjee, Meredith Franklin, Joseph Jay Williams, Jan D. SmeddinckMon, 09 Ma🤖 cs.AI