人机协同主题模型中用户控制比较

ACLMay, 2019

人机协同主题模型中用户控制比较

Why Didn't You Listen to Me? Comparing User Control of Human-in-the-Loop Topic Models

Varun Kumar, Alison Smith-Renner, Leah Findlater, Kevin Seppi, Jordan Boyd-Graber

TL;DR本文利用模拟实验，实现和评估了三种不同的基于人类参与的主题建模方法，包括约束和先验信息方法。我们提出了一个控制度量来衡量优化结果是否符合用户期望，并发现先验信息方法比约束方法提供更好的控制，但约束方法生成的主题质量更高。

Abstract

To address the lack of comparative evaluation of human-in-the-loop Topic Modeling (HLTM) systems, we implement and evaluate three contrasting HLTM modeling approaches using simulation experiments. These approaches extend previously proposed frameworks, including →

topic modeling human-in-the-loop informed prior-based methods constraints control metric

发现论文，激发创造

一种以用户为中心，交互式，人机交互主题建模系统

开发了一种新型交互式人机协同的主题建模系统，支持对语料库特定方面的主题建模，具有易于使用的界面、记录与比较功能以及主题词推荐功能，经过多次用户研究验证，该系统在主题建模中的应用具有显著价值。

Apr, 2023

人机互动机器学习征求人员反馈会降低用户信任和对模型准确性的印象

通过一个模拟物体检测系统的实验，我们研究了交互反馈对用户对智能系统及其准确性理解的影响，结果表明提供循环反馈降低了参与者对系统的信任和其对系统准确性的感知，这凸显了在设计智能系统时考虑用户反馈对用户信任的影响的重要性。

Aug, 2020

基于 LLM 的数字孪生优化人机交互系统

应用大型语言模型的案例研究表明，模拟复杂人口群体在大型开放空间中的行为和热偏好，并将其集成到基于增强学习的代理 - 环境闭环算法中，可以在节能和居住者舒适性之间找到平衡，从而显示出远优于传统的设定点控制策略，这表明在 CPS-IoT 应用中实现自适应和个性化决策对于高效优化至关重要。

Mar, 2024

人类参与的机器学习概述

本文基于数据分析角度，对人机协同中的数据处理、模型训练和系统独立模式，进行了调查总结，分类整理，提供了自然语言处理、计算机视觉等多领域的技术优势 / 缺陷、挑战和机遇，提出了有效设计人机协同解决方案的思路。

Aug, 2021

将人类纳入自然语言处理环节：一项调查

介绍了人与自然语言处理模型 (NLP) 的交互式 (HITL) 的短暂但激动人心的历史，总结了近期以任务、目标、人机交互和反馈学习方法为重点的各种 HITL NLP 框架，并讨论了将来在 NLP 开发中整合人类反馈的方向。

Mar, 2021

多模态会话任务引导系统中的人类参与方法

本文讨论了人类在指定任务中使用应用程序所面临的挑战，提出了任务引导系统的发展需要寻找信息检索和会话系统来帮助任务的执行者，并针对现有数据集开发了一个基于 Wizard-of-Oz 的数据收集工具，进行了初步实验。

Nov, 2022

链式思考中的人类参与

本文介绍了一种人在循环中的系统，Manual Correction System (MCS)，使用 Chain-of-Thought 提示增强 LLM 的推理表现，并且提出了基于古典经济理论的 Cost-Utility 分析模型 (CAMLOP) 来分析、量化和平衡效用和相应成本。作者进行了 MCS 和 CAMLOP 实验，并与 12 个数据集的强基线进行比较，结果证明其超越了强基线，并具有成本和效用的显着优势。

Jun, 2023

上下文限制使神经语言模型更接近人类

本文研究了语言模型在认知建模和工程研究中的应用，提出了现代神经 LM 的局限性，其中与人类阅读过程相比，存在上下文访问能力的差异。限制 LM 上下文访问可以提高其模拟人类阅读行为的能力，同时将句法偏好纳入 LM 的上下文访问中也可以增强其认知合理性。

May, 2022

交互式知识引导中用户建模以避免过度拟合

本研究提出了一种用户建模方法，通过概率用户模型来推断用户的知识，从而提高交互式机器学习的性能，并避免过度拟合的问题。

Oct, 2017

大型人工语言模型：需求与挑战

人类中心的自然语言处理，大型人类语言模型（LHLMs），人类背景和动态人类背景的关键设计考虑和挑战。

Nov, 2023