個人特質如何影響使用者在LLM多代理系統中探索多樣電影推薦
arXiv - Human-Computer InteractionYufan Zhou, Yirui Huang, Zhao Wang, Yucheng Jin
LLM多代理推薦系統提升多樣性與新奇度，且個人特質影響體驗，提示需個性化設計
AI 幫你先抓重點
AI 重點 1
個性化對話式推薦系統能更好滿足不同使用者需求。
滑鼠懸停看 AI 判斷理由
研究顯示人格特質直接影響對推薦多樣性的感知，若忽略個性化，可能降低使用者滿意度與探索意願，進而影響學習成效。
AI 重點 2
多代理設計並非萬能，需考慮使用者對GenAI的態度。
滑鼠懸停看 AI 判斷理由
結果顯示對GenAI持懷疑者對多樣性評價較低，若系統未調整對話策略，可能導致使用者拒絕新內容，影響推薦效果。
AI 重點 3
先前GenAI使用經驗可預測對多樣推薦的開放度。
滑鼠懸停看 AI 判斷理由
具備GenAI經驗的使用者更易接受多樣化建議，系統可透過簡易導入或說明降低新手門檻，提升探索率。
核心研究發現
- 1
多代理系統顯著提升使用者感知的新奇度與Shannon多樣性指標。
- 2
自律性人格正向關聯感知準確度與多樣性，外向性則負向關聯多樣性。
- 3
先前使用GenAI推薦經驗正向關聯Shannon多樣性，對GenAI的懷疑則負向關聯。
- 4
系統設計與使用者特質間存在顯著交互效應，表明單一設計不適用於所有人。
對教育工作者的啟發
為實務者提供三項建議：①在系統設計前先蒐集使用者人格與GenAI經驗資料，利用簡易問卷或行為追蹤；②根據人格特質調整代理對話風格，例如對自律性高者提供更精準的評價說明；③針對對GenAI持懷疑者，加入信任建立機制（如透明推薦來源說明）以提升對多樣內容的接受度。這些做法可提升推薦多樣性與使用者滿意度，進而促進自主學習與探索。
原始文獻資訊
- 英文標題：
- How Personal Characteristics Shape User Exploration of Diverse Movie Recommendations with a LLM-Based Multi-Agent System
- 作者：
- Yufan Zhou, Yirui Huang, Zhao Wang, Yucheng Jin
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
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。