分析日常決策對話中的人類啟發式與策略，以優化對話式 AI 設計
arXiv - Human-Computer InteractionSora Kang, Soyun Jeon, Jinsu Eun, Kwangwon Lee, Chaerin Song, Minyoung Joo, Joonhwan Lee
透過分析真實對話數據，揭示人類在決策時傾向於「滿意法」而非「最優法」，並發現決策策略在探索與執行階段的頻率與效率差異。
AI 幫你先抓重點
AI 重點 1
從「數據驅動」轉向「人類認知驅動」的 AI 設計思維
滑鼠懸停看 AI 判斷理由
目前的對話式 AI 多依賴數據推理，但忽略了人類在自然對話中使用的啟發式策略。理解人類如何透過互動來降低認知負荷，能讓 AI 從單純的資訊提供者，轉變為更符合人類認知模式的協作夥伴。
AI 重點 2
區分「探索」與「執行」階段的不同策略需求
滑鼠懸停看 AI 判斷理由
研究指出不同階段需要不同的溝通邏輯。這提醒設計者，AI 不應僅提供一致性的回應，而應在用戶探索選項時提供流暢引導，在用戶進入決策關鍵期時，則應切換至更具結構化、能驅動決策的模式。
核心研究發現
- 1
研究發現人類在決策時優先考慮「滿意法」（satisficing）而非追求極致的「最優化」（optimization），並依賴內部知識與互動策略來管理認知負荷。
- 2
在對話過程中存在「頻率與效率的不匹配」現象：高頻出現的啟發式策略主要用於維持探索階段的對話流暢度。
- 3
雖然出現頻率較低，但基於規則的決策策略在進入「執行階段」（exploitation）時，對於推動決策最終達成具有極高的效率。
對教育工作者的啟發
對於開發教育輔助 AI 或學習對話系統的設計者，本研究提供了重要啟發：首先，AI 應模擬人類的「滿意法」邏輯，避免在學習過程中給予過於複雜、追求完美的最優解，以免造成學生的認知負荷過重；其次，系統設計應具備「階段感知」能力，在學生探索新知識（Exploration）時，著重於維持對話的流暢度與激發好奇心；而在學生進入知識應用或解決問題（Exploitation）的關鍵階段時，AI 應切換至更具結構化、規則導向的引導模式，以協助學生有效達成學習目標。
原始文獻資訊
- 英文標題：
- Analyzing Human Heuristics and Strategies in Everyday Decision-Making Conversations for Conversational AI Design
- 作者：
- Sora Kang, Soyun Jeon, Jinsu Eun, Kwangwon Lee, Chaerin Song, Minyoung Joo, Joonhwan Lee
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。