[论文解读] Rules, Resources, and Restrictions: A Taxonomy of Task-Based Information Request Intents

Melanie A. Kilian, David Elsweiler|arXiv (Cornell University)|Jan 19, 2026

Information Retrieval and Search Behavior被引用 0

一句话总结

本研究提出面向任务的信息请求意图的扎根理论分类法，基于对机场信息处工作人员的专家访谈，将任务情境与查询意图联系起来，超越传统的基于日志的方法，推动AI驱动的任务导向检索。

ABSTRACT

Understanding and classifying query intents can improve retrieval effectiveness by helping align search results with the motivations behind user queries. However, existing intent taxonomies are typically derived from system log data and capture mostly isolated information needs, while the broader task context often remains unaddressed. This limitation becomes increasingly relevant as interactions with Large Language Models (LLMs) expand user expectations from simple query answering toward comprehensive task support, for example, with purchasing decisions or in travel planning. At the same time, current LLMs still struggle to fully interpret complex and multifaceted tasks. To address this gap, we argue for a stronger task-based perspective on query intent. Drawing on a grounded-theory-based interview study with airport information clerks, we present a taxonomy of task-based information request intents that bridges the gap between traditional query-focused approaches and the emerging demands of AI-driven task-oriented search.

研究动机与目标

• 弥合传统以查询为中心的意图分类与AI驱动的面向任务的检索需求之间的差距。
• 通过对信息咨询台工作人员的定性专家访谈，捕捉任务情境和用户目标。
• Develop a grounded-theory based taxonomy that is abstract and transferable to other task contexts.
• Demonstrate how task context modifies the interpretation of information requests.

提出的方法

• 使用定性扎根理论方法对八名机场信息台工作人员进行扎根理论为基础的访谈研究。
• 从访谈中收集了720条信息请求陈述，并进行了开放、轴心和选择性编码。
• 使用持续比较法来完善类别，并咨询AI语言模型（GPT-4o）在保持人类主导解释的同时挑战类别。
• 形成了一个四层分类法，含20个一级类别和86个子类别，描述基于任务的意图。
• 在147个随机抽样的问题上由外部评估者评估分类法的可靠性，达到实质性的评介者间一致性（科恩κ=0.84）。
• 目标是抽象、情境通用的类别（如“行动规则”），而非机场特定标签。

Figure 1. The top levels of the task-based request intent taxonomy

实验结果

研究问题

• RQ1 机场访客有哪些信息需求？这些需求背后有哪些任务？
• RQ2 任务情境如何塑造并对信息请求进行分类，超越孤立的查询意图？
• RQ3 基于任务的分类法能否支持超越传统日志数据的更广泛AI驱动的面向任务检索？
• RQ4 机场衍生分类法在其他任务情境中的可迁移性如何？

主要发现

• 四层分类法（20个一级类别、86个子类别）能捕捉基于任务的信息请求意图。
• 主张将行动规则、情境/约束、资源与推进线索视为任务型检索的核心意图领域。
• 规划任务通常需要较少的详细答案，尽管表达形式可能无法可靠揭示情境。
• 任务情境对解释请求至关重要；并非所有“在哪里……？”的查询在计划阶段与执行阶段都能提供相同层级的细节。
• 该分类法与现有的功能型和内容型分类法相一致，并在强调任务和行动视角方面具有更好的可迁移性。
• 当评估者获得请求背后的情境信息时，评分类别的一致性显著（κ = 0.84）。