[论文解读] How do you Converse with an Analytical Chatbot? Revisiting Gricean Maxims for Designing Analytical Conversational Behavior

Vidya Setlur, Melanie Tory|arXiv (Cornell University)|Mar 16, 2022

AI in Service Interactions被引用 5

一句话总结

本文重新探討格里塞的会话准则，以設計支持自然、合作對話的分析型聊天機器人，適用於資料探索。透過Wizard of Oz實驗與使用者研究，發現語音與文字介面搭配視覺反饋（圖表）能促進多輪對話，而透過小工具或語音提示進行意圖解讀與回應優化，則是有效資料驅動對話的關鍵。

ABSTRACT

Chatbots have garnered interest as conversational interfaces for a variety of tasks. While general design guidelines exist for chatbot interfaces, little work explores analytical chatbots that support conversing with data. We explore Gricean Maxims to help inform the basic design of effective conversational interaction. We also draw inspiration from natural language interfaces for data exploration to support ambiguity and intent handling. We ran Wizard of Oz studies with 30 participants to evaluate user expectations for text and voice chatbot design variants. Results identified preferences for intent interpretation and revealed variations in user expectations based on the interface affordances. We subsequently conducted an exploratory analysis of three analytical chatbot systems (text + chart, voice + chart, voice-only) that implement these preferred design variants. Empirical evidence from a second 30-participant study informs implications specific to data-driven conversation such as interpreting intent, data orientation, and establishing trust through appropriate system responses.

研究动机与目标

• 了解使用者在資料探索過程中與分析型聊天機器人互動的方式，特別是對話行為與期待。
• 研究介面模式（文字、語音、語音+視覺）如何影響分析型聊天機器人系統中使用者的互動模式與偏好。
• 識別出基於格里塞合作準則的、有效使用者與分析型聊天機器人對話互動的設計原則。
• 探討視覺化與介面可用性（例如小工具、後續提示）如何影響使用者參與度與對話深度。
• 為設計能支援意圖解讀、模糊性化解與迭代優化之資料驅動對話的聊天機器人提供依據。

提出的方法

• 針對30位受試者進行Wizard of Oz實驗，評估不同文字、語音與語音+圖表聊天機器人變體下使用者的期待。
• 設計並部署三款分析型聊天機器人原型：文字+圖表（Slack）、語音+圖表（Echo Show）與純語音（Echo），以測試介面可用性。
• 運用格里塞會話準則（數量、真實性、關聯性、方式）作為理論框架，分析並引導系統回應設計，以促進合作對話。
• 透過迭代式原型設計與使用者反饋，優化如後續提示、下拉式選單與回應格式等介面元素。
• 分析使用者對話紀錄與互動日誌，識別出意圖表達、模糊性處理與對話修復策略的模式。
• 進行第二輪30位受試者的實驗，評估在真實資料探索任務中，偏好設計變體的實證表現。

实验结果

研究问题

• RQ1 在分析型聊天機器人互動中，使用者於文字、語音與語音+視覺模式下的對話行為與期待有何差異？
• RQ2 格里塞會話準則在多大程度上引導分析型聊天機器人中有效的對話行為，特別是在處理模糊性與意圖精煉方面？
• RQ3 介面可用性（如小工具、後續提示與視覺化）如何影響資料驅動對話的深度與結構？
• RQ4 系統回應（特別是包含視覺化內容的回應）在維持對話流與支援分析推理方面扮演何種角色？
• RQ5 使用者如何感知並回應聊天機器人的行為，特別是在信任、禮貌與擬人化線索方面？

主要发现

• 使用者較偏好搭配後續提示的語音聊天機器人，因其能促進更自然、多輪對話，相較於單輪互動更具優勢。
• 在聊天機器人回應中加入視覺化內容（圖表）顯著提升了後續提問的機率與更深入的分析探究。
• 具互動式小工具（如用於優化的下拉式選單）的文字型聊天機器人，能支援更結構化與迭代式的對話，特別是在複雜的資料探索任務中表現更佳。
• 受試者經常使用禮貌語氣，並對語音聊天機器人進行擬人化描述，顯示社會線索會影響使用者的信任與參與度。
• 純語音互動較容易導致單輪、尋找事實的查詢，而多模式（語音+視覺）系統則能支援更豐富、探索性的對話。
• 當系統運用上下文線索與回應優化機制時，意圖解讀效果更佳，此與格里塞的『關聯性』與『方式』準則相符。