What is Jiaozi: Exploring User Control of Language Style in Multilingual Conversational Agents
Notice bibliographique
Résumé
Recent advances in language models have significantly expanded the capabilities of AI-powered conversational agents. Nonetheless, current technology is still primarily designed with monolingual English speakers in mind, overlooking the need of more personalized agents by multilingual users. Particularly, prior work showed that multilingual individuals preferred conversational agents that accommodate their desired multilingual style. However, these approaches rely on probabilistic methods to automatically determine the agent’s multilingual style, which often fails to align with the needs of multilingual users, as their preferences are nuanced, ad hoc, and difficult to predict. In our work, we explore user control of multilingual style as a step toward developing a mixed-initiative multilingual conversational agent tailored to the needs of multilingual users. We first derived design considerations and dimensions of user control from a formative study with 10 participants. Next, we implemented Mirrios, a prototypical conversational system with multilingual style control, and used it as a probe to conduct an user study with 12 participants. We identified preferred designs for multilingual style control and found that this control reduced the need to constrain language habits, accommodated ad hoc language needs, and enabled more personalized interactions with conversational agents. Based on our findings, we propose design implications to inform the design of multilingual style control and future mixed-initiative multilingual conversational agents.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».