Dynamic User-State Modeling for LLM-Assisted Cultural Heritage Exploration: A Secondary Analysis of Semantic, Behavioral, and Psychometric Signals
本研究提出了一种动态用户状态建模框架，该框架整合了语义、行为和心理测量信号，用于预测大语言模型辅助下的文化遗产探索中的用户体验指标，证明了自适应系统能够有效地根据个人的好奇心和交互模式来定制对话引导。
原始论文采用 CC BY 4.0 许可（https://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，你正漫步在一座宏大的数字博物馆中，这里的展品并非静止的图像，而是等待着被探索的鲜活故事。在这个现代版的文化场所中，游客可以穿梭于各类藏品之间，提出问题，并构建属于自己的历史路径。多年来，研究人员一直试图通过加入能够对话、能回答问题并建议下一步看什么的智能人工智能（AI），来提升这些数字体验。其目标始终是帮助人们与过去建立联系，但一个根本性的挑战依然存在：并非每个人探索的方式都相同。有些游客充满好奇心，会提出复杂的问题；而另一些人则更喜欢被温柔地引导，或者可能会因为过多的自由度而感到不知所措。那种“一刀切”的方法——即让 AI 以同样的语气对每个人说话并提供同样程度的帮助——往往无法达到预期效果。它无法察觉到游客何时正逐渐偏离他们的兴趣点，也无法察觉到他们何时在寻找下一步行动时感到挣扎。
这正是来自厦门大学嘉洛学院（Xiamen University Tan Kah Kee College）研究人员的一项新研究所介入的地方。他们提出了一个简单却困难的问题：我们能否教会 AI 去理解游客在探索过程中不断变化的心智状态？研究团队并不只是观察用户对体验满意度的最终评分，而是希望通过观察用户如何进行实时交互，来预测其满意度和信任度。他们专注于三个特定的维度：用户输入的实际文字以及 AI 给出的回答；用户的物理行为，如点击和滚动；以及用户自身的性格特征，特别是他们天生的好奇心水平。通过结合这三股信息流，他们构建了一个模型，将每一位访客视为一个拥有动态心智状态的独特个体，而非调查问卷中的一个数字。
为了测试这个想法，研究人员分析了此前参观过某数字遗产网站的 44 名用户的数据。这些访客曾探索过不同的历史主题，向生成式大语言模型提问并阅读答案。研究人员利用现有的数据，将其拆解成微小且具有意义的片段。他们观察了问题的针对性程度——即问题与用户当时正在查看的具体展品之间的匹配度；观察了对话偏离主旨的程度；以及 AI 提供的回答是否具有相关性和连贯性。他们还追踪了用户在网站上的停留时间、访问的展品数量，以及从一个动作转换到下一个动作的速度。至关重要的是，他们还纳入了一项衡量用户好奇心的指标（取自标准的心理学量表），以观察一个人的自然求知欲如何改变他们对 AI 帮助的反应。
结果表明，人们与文化类 AI 的互动方式远比单纯在“导览模式”或“自由探索模式”之间做选择要复杂得多。研究发现，AI 可以成功预测用户会对体验产生多少愉悦感以及会对系统产生多少信任，甚至在会话结束之前就能做到这一点。这种预测之所以奏效，并不是因为 AI 知道用户的姓名或年龄，而是因为它在观察对话的流动和用户的行为。例如，研究显示，用户的物理行为（如两次点击之间的等待时间或滚动的深度）是衡量系统易用性的强有力指标。相比之下，AI 的回答在多大程度上紧扣主题并回应用户的问题，则是预测用户是否认为系统表现出色的更好指标。
其中一个最有趣的发现涉及 AI 建议问题的习惯。在某些版本的网站中，AI 会提供一份推荐问题列表供用户点击。研究人员发现，当用户选择这些建议的问题时，对话往往能更紧密地围绕当前的展品展开，且流程更加顺畅。用户会感到与文化内容联系得更紧密，AI 提供的答案也与主题更加一致。然而，研究同时也发现，这些建议并不一定会让探索过程变得更有新意或更具创造力。那些自行撰写问题的用户往往会进入更独特的领域，即便对话有时显得不够连贯。这表明，推荐问题就像是“安全护栏”，让访客保持在清晰的路径上，但它们并不一定会鼓励那些好奇心强的人去寻求那种狂野、富有创造性的发现。
研究人员还发现，用户对帮助的需求程度很大程度上取决于他们的自然好奇心。在好奇心量表得分较低的人群中，他们更容易从 AI 的建议和引导中获益。研究发现，预设的问题对于他们开启探索过程非常有帮助。然而，对于高好奇心水平的用户来说，额外的引导并没有产生太大的影响。这些用户已经能够很好地构思自己的问题并进行自主探索。这一发现挑战了“每个访客都需要同等程度协助”的观点。相反，它表明最有效的 AI 系统应该是能够感知用户何时在寻找话题时感到困惑并提供帮助，但在用户展现出深度、自主参与的迹象时适时退出的系统。
对于数字博物馆未来的实践意义而言，最显著的发现或许是：AI 不需要等到会话结束才能理解用户。研究表明，通过观察用户的行为和对话流，系统在交互的中期就已经收集到了足够的信息，足以对用户的体验做出相当准确的预测。这意味着在现实场景中，AI 潜在地可以在用户探索的过程中调整其行为。如果它感知到用户迷失了方向，它可以决定提供更多建议；如果它感知到用户正处于“心流”状态，它则可以停止提供帮助。系统不需要了解用户的整个历史背景，只需观察当前的对话展开即可做出这些调整。
这项研究还强调了“全局观”的重要性。如果研究人员仅仅观察对话的文本，他们就会错过关于易用性的重要线索；如果他们仅仅观察用户的性格，他们就会错过用户与界面交互的具体方式。正是文字、行为与性格的结合，才使得该模型能够洞察用户体验的全貌。这种方法超越了仅仅在结束后询问用户是否喜欢该网站，而是将体验视为一个正在实时编写的动态故事，而 AI 则扮演着可以根据作者风格进行调整的“共同创作者”。
尽管研究结果令人鼓舞，但研究人员也谨慎地指出，这是一项针对规模较小（44人）的群体进行的二次分析。这些结果并非证明该方法对所有人通用的最终定论，但它们提供了强有力的证据，证明模拟这些复杂的交互是可能的。研究还指出，AI 保持主题的能力并不保证其呈现的事实具有历史准确性；该模型衡量的是词汇之间的契合度，而非真实性。未来的系统需要将这种对用户状态的理解与可靠的事实核查相结合，才能真正发挥效用。
最终，这项研究表明，我们对文化遗产领域人工智能的思考方式正在发生转变。我们不再是构建一个适用于所有人的单一、完美的向导，而是可以构建能够感知个体的系统。这些系统会意识到，访客的需求在每一刻都在变化。它们会理解，困惑的时刻是提供帮助的机会，而深度专注的时刻则是退后一步的信号。通过关注好奇心、行为和对话中的微妙信号，这些数字向导可以不仅仅是信息机器。它们可以成为探索的伙伴，帮助每一位访客找到属于自己的、与过去连接的独特路径。未来的方向不在于让 AI 在通用意义上变得更聪明，而在于让它在面对屏幕另一端的人类时，变得更具感知力。
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。