人格在对话信息搜索中的作用

大语言模型 (LLM) 越来越多地用于信息查找，用户通过对话查找、比较和评估信息。在这个角色中，助手的作用不仅仅是检索或生成内容：它决定用户如何阐明约束、提出后续问题、验证声明以及决定答案何时足以采取行动。然而，人们对用户个性、助理个性和任务环境如何共同影响这些交互知之甚少。我们将个性视为对话信息搜索中的可控变量，并研究其对用户行为和交互质量的影响。我们进行了一项受控的受试者内研究，其中助理性格和任务类型通过实验改变，而参与者的性格则使用大五分数来衡量。二十六名参与者每人在三种辅助人格条件下完成三项信息搜寻任务：外向、尽责和中立。任务包括探索性旅行计划、比较智能手机购物以及验证敏感的健康和饮食信息搜索。数据包括对话日志、行为轨迹、互动后调查问卷、退出调查问卷和大五指标。助理条件在行为上是不同的：外向的助理会产生更长的转弯，尽职尽责的助理会引发更高的用户词汇份额和更多的转弯，而中性基线介于两者之间。最强烈的效果是任务与助理之间的信任和授权互动，不同任务的偏好风格也不同。没有出现全球获胜者，但参与者强烈偏爱风格选择或改编。这些发现将助理个性定位为上下文敏感的交互设计变量，而不是全局可优化的系统属性。