啟發、路徑依賴與可塑性：實際聊天紀錄揭示使用者-LLM互動
arXiv - Human-Computer InteractionShengqi Zhu, Jeffrey M. Rzeszotarski, David Mimno
透過140K聊天紀錄發現，使用者與LLM互動模式快速形成且受早期探索影響
AI 幫你先抓重點
AI 重點 1
早期互動即塑造長期使用習慣，設計者需在首輪對話即提供引導。
滑鼠懸停看 AI 判斷理由
此洞察揭示使用者學習呈路徑依賴性，若在最初對話中加入針對性提示，可有效引導使用者進行更廣泛探索，從而提升長期留存與滿意度。
AI 重點 2
即使LLM輸入空間無限制，使用者仍顯示有限探索，提示設計需考慮使用者行為塑造機制。
滑鼠懸停看 AI 判斷理由
此現象挑戰了「自由探索」的假設，說明介面設計若不介入使用者行為塑造，可能導致使用者停留於既有模式，影響創新與學習成效。
核心研究發現
- 1
使用者的互動模式在最初數次對話後即快速穩定，並非持續不斷調整。
- 2
早期探索程度與後續長期行為（如重複文字模式、留存率）高度相關。
- 3
不同任務類型（如情緒支持）與模型版本更新會同時影響表達方式，呈現平行動態。
對教育工作者的啟發
設計者可在首輪對話即提供針對性引導，提升使用者早期探索；同時監測早期互動模式以預測長期留存；針對不同任務類型設計專屬提示；在模型更新時主動提示使用者變更，減少使用者適應成本。
原始文獻資訊
- 英文標題：
- Priming, Path-dependence, and Plasticity: Understanding the molding of user-LLM interaction and its implications from (many) chat logs in the wild
- 作者：
- Shengqi Zhu, Jeffrey M. Rzeszotarski, David Mimno
- 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。