从人对人对话到人对机器对话的软件工程
本研究论文重点探讨了聊天机器人技术环境的历史、困难和前景，并提供了一种非常灵活的聊天机器人系统，利用强化学习策略改善用户互动和对话体验，使用情感分析和自然语言处理技术确定用户情绪，并探讨了聊天机器人技术发展的复杂性及其对各个领域的深远影响。
Oct, 2023
本文全面调查了基于大型语言模型（LLMs）的聊天机器人在各个领域的进化和部署，总结了基础聊天机器人发展、LLMs 演进，并提供了当前正在使用和开发中的基于 LLMs 的聊天机器人概述。我们将 AI 聊天机器人视为生成新知识的工具，探讨了它们在各个行业中的多样应用。然后，我们讨论了一些挑战，包括训练 LLMs 使用的数据和生成知识的滥用可能引发的问题。最后，我们展望未来，探索如何提升它们在众多应用中的效率和可靠性。通过介绍 LLMs-based 聊天机器人的关键里程碑和当今背景，我们的调查邀请读者深入研究这一领域，并思考它们的下一代将如何重塑对话型人工智能。
Jun, 2024
研究探讨人类和 LLM 生成的对话之间的语言差异，并使用 ChatGPT-3.5 生成的 19.5K 对话作为 EmpathicDialogues 数据集的补充。研究使用了语言查询和词频统计（LIWC）分析，在 118 个语言类别上比较 ChatGPT 生成的对话和人类对话。结果显示人类对话在可变性和真实性方面更出色，但 ChatGPT 在社交过程、分析风格、认知、注意力焦点和积极情绪方面表现优异，加强了 LLM “更接近人类” 的最新发现。然而，在正面或负面情感方面，ChatGPT 和人类对话之间没有显著差异。对话嵌入的分类器分析表明，尽管对话中未明确提及情感，但存在着情感价值的隐式编码。该研究还提供了一个新颖的 ChatGPT 生成的对话数据集，其中包含两个独立的聊天机器人之间的对话，这些对话旨在复制一个开放可访问的人类对话语料库，广泛应用于语言建模的 AI 研究。我们的研究结果增加了对 ChatGPT 的语言能力的理解，并为区分人类和 LLM 生成的文本的持续努力提供了信息，这对于检测由 AI 生成的虚假信息、错误信息和误导信息至关重要。
Jan, 2024
通过与行业专业人员进行的被试用户研究，我们发现装备了 LLM 以利用插入扩展交互模式、促进轮流讲话并利用调试工作流的增强型对话式 AI 助手 Robin，降低了对话障碍，实现了有效的故障定位，并提高了 5 倍的错误解决率。
Feb, 2024
本文提出一种利用大型语言模型 (LLMs) 改变软件开发过程的创新性范例，能够通过自然语言沟通来简化和统一关键流程，进而在不需要在每个阶段进行专门软件领域模型开发的情况下，实现整个软件过程的快速生成。
Jul, 2023
本文提出使用不断学习的方法，通过与用户进行对话，改进对话系统（chatbots）中按人工规则编译知识库和局限于理解自然语言的能力，提高在多种语言表达和聊天技能方面的用户满意度。
Sep, 2020