AI-assisted Script Management for Requirements Elicitation Interviews
本文提出并评估了一种用于需求获取访谈的 AI 辅助脚本管理工作流，通过一项准实验研究证明，该工作流在生成更高质量的脚本、实现更深入的追问以及产生更精炼的目标模型方面，表现优于仅采用培训的方法，尽管其覆盖的主题较少。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名正在试图破解谜团的侦探，但你的犯罪现场不是案发现场，而是在通过访谈一位证人，以弄清楚他们对一款新视频游戏或购物应用的需求。在软件工程的世界里，这种侦探工作被称为“需求获取”（requirements elicitation）。其目标是在程序员开始构建之前，通过提出正确的问题来挖掘用户究竟想要什么。如果你遗漏了线索，或者问错了问题，最终的产品可能会出现故障、令人困惑，或者干脆毫无用处。
为了做好这一点，访谈者通常会准备一份“剧本”——一份旨在覆盖所有重要方面的提问清单。但棘手之处在于，真实的对话是混乱的。证人可能会离题万里，或者侦探可能会因为过于紧张而忘记询问最重要的那个问题。这是一种在坚持计划与倾听对方实际表达之间寻找平衡的艺术。长期以来，专家们一直致力于训练人类提高这类访谈技巧，但如果我们可以给侦探配备一个聪明的、隐形的助手，在他们交谈时在耳边低声提示呢？这就是这篇论文探讨的核心问题：人工智能（AI）能否帮助人类在访谈中提出更好的问题并获得更好的答案？
卡内基梅隆大学的研究人员决定通过构建一个数字“副驾驶”（co-pilot）来测试这一点。他们创建了一个两步走的系统。首先，AI 扮演规划者的角色，阅读公司的宏观业务目标（例如“让人们观看更多视频”），并将其转化为一份智能的访谈问题清单。其次，在实际访谈期间，AI 充当实时助手。它倾听对话，追踪清单中哪些问题已经被问及，并在访谈者陷入困境或需要进一步挖掘时，在屏幕上弹出追问建议。
为了验证效果，他们为两组访谈者设置了一场对决。一组是接受过专业访谈课程培训的聪明研究生（“仅受训”组）。另一组是背景相似但没有任何专门培训的学生，只是配备了 AI 副驾驶（“AI 辅助”组）。这就像是在比较一位深谙规则的老练侦探，与一位拥有超级智能 GPS 和参考指南的新手侦探。
结果令人惊讶，不仅显示出 AI 确实提供了帮助，还改变了整个访谈风格。AI 生成的剧本质量更高，得分高达 92.8 分（总分 100），而人类编写的剧本仅为 74.8 分。但真正的魔法发生在访谈过程中。AI 辅助的访谈者不会试图匆忙完成一个冗长的议题列表，相反，他们专注于较少的议题，但挖掘得更深。他们针对每个讨论的议题平均会进行 3.4 次追问，而受训的人类则仅为 1.15 次。
把这想象成挖掘宝藏。受训的人类就像是用一张大网在广阔区域撒网的人，在许多不同的地点捕捉到了一些鱼。而 AI 辅助的访谈者则像是挖掘单个深坑的人；他们停留在原地并向下挖掘，挖掘出了更多详细且具体的“宝藏”（研究人员称之为“低层级需求”）。因为他们挖得更深，所以最终绘制的用户需求地图也更加详尽且有用。
然而，论文也谨慎地指出，AI 并不是解决一切问题的魔杖。研究人员发现，AI 提供的“追问问题”建议并不总是完美的；访谈者经常忽略 AI 建议的具体措辞，因为他们觉得这些话语显得有些生硬或反应迟钝。相反，AI 的真正超能力在于其“议题追踪器”。它就像一个友好的仪表盘，告诉访谈者：“嘿，你还没问过关于登录界面的问题呢，”或者“你已经讨论支付话题很久了，也许可以往深处挖一挖？”访谈者非常喜欢这个功能，并将其评为该系统中最实用的部分。
那么，底线是什么？这项研究表明，给一个未经训练的人配备一个智能 AI 助手，实际上可以产生比给一个受过训练的人提供帮助更好的结果。AI 帮助访谈者保持专注，提出了更多的追问，并挖掘了关于用户真实需求的更深层次细节。但它同时也表明，AI 并不是人类判断力的替代品；最好的结果来自于 AI 处理繁琐的追踪和规划工作，而人类访谈者利用这种支持来进行更自然、更深入的对话。这并不是让 AI 代替你工作，而是让 AI 拿着手电筒，好让你能看得更清、找得更准。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。