本文提出了利用非结构化日志数据推荐数据命令的框架，使用神经网络模型进行序列建模并利用自定义损失函数根据用户提供的目标信息定制推荐结果，同时提出了对推荐结果进行目标导向评估的方法。

Nov, 2020

本研究提出了一种基于数据驱动的方法来预测学生需要帮助的概率，并探讨了在逻辑证明等深度学科中，将学生的暗示使用情况纳入预测模型的有效性，结果表明这种主动适应的策略可以显著提高学生的学习效率和提高授课的质量。

Jul, 2022

我们开发了一个基于数据驱动方法的自然语言接口系统，其中包含了一个逐步查询推荐模块，帮助用户在探索大型复杂 SQL 数据库时进行更有效和系统化地数据分析过程。我们的用户研究表明，相比于没有推荐模块的基准系统，我们的系统可以帮助用户更加高效和系统化地进行数据分析。

Jan, 2022

本文提出了一种数据高效的解决方案，将知识检索模块与大型语言模型相结合，利用代理指南中的显式指令构建对话系统，并通过半监督预训练方案进行训练，同时评估在行动状态跟踪和工作流发现两个对话任务中的表现，结果表明程序化知识增强提高了在低数据密度下的准确性。

Jun, 2023

LLM 动力工具如 ChatGPT Data Analysis 有潜力帮助用户应对数据分析编程的复杂任务，而这项任务需要在数据处理、编程和统计方面具备专业知识。然而，我们的形成性研究（n=15）揭示了在验证 AI 生成结果和引导 AI（指引 AI 系统生成所需输出）方面的严重挑战。我们开发了两种截然不同的方法来解决这些挑战。第一种方法（逐步法）将问题分解成一步一步的子目标，带有可编辑的假设和代码，直到完成任务，而第二种方法（分阶段法）将整个问题分解为三个可编辑的逻辑阶段：结构化输入 / 输出假设、执行计划和代码。一项受控的被试实验（n=18）将这些系统与对话基线进行了比较。用户报告称在逐步法和分阶段法系统中具有更大的控制力，并且相比于基线，更容易进行干预、更正和验证。结果提出了设计指南和权衡，用于 AI 辅助数据分析工具。

Jul, 2024

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

本文提出了一个基于概率建模框架的查询建议生成方法，通过从多个数据源获取关键词，并生成与之相关的查询建议，用 TREC 任务轨迹的测试套件来评估和分析模型的每个组成部分。

Aug, 2017

DataSite 是一种积极的视觉分析系统，通过自动化服务器端计算引擎来减轻分析人员的认知负担和领域知识要求，并通过通知提供重要特征表面。有关用户研究的比较表明，与最近的可视化推荐系统相比，DataSite 在支持复杂分析方面显示出显着改进。

Feb, 2018

研究自动化生成的注释建议对诊断推理文本中认识活动分段和分类的可行性和效果，并提供了一个新的数据集。建议具有正面的效果和不引入显著偏见，未来应该结合连续模型调整的方法以提高建议模型的性能。

Jun, 2019

本文提出了一个基于即时聊天的客户支持 (CS) 互动的框架，用于预测个体用户的推荐决策。通过分析一家拉丁美洲大型电子商务公司金融垂直领域内的 16.4k 用户和 48.7k 客户支持对话，本研究的主要贡献和目标是利用自然语言处理（NLP）来评估和预测推荐行为，在使用静态情感分析的同时利用每个用户的情感动态的预测能力。结果表明，通过信息级别的情感演变，可以完全自动化地预测用户推荐产品或服务的概率以及相关的功能解释。

Nov, 2022