RecQuest：面向對話式推薦系統的使用者領域知識估計
arXiv - Human-Computer InteractionIvica Kostric, Ujwal Gadiraju, Krisztian Balog
提出從對話記錄直接估計使用者領域知識的新任務，並透過遊戲化數據收集協議創建 RecQuest 數據集，為個性化對話式推薦系統奠定基礎。
AI 幫你先抓重點
AI 重點 1
領域知識估計能使對話式推薦系統真正個性化，提升學習者互動體驗。
滑鼠懸停看 AI 判斷理由
傳統推薦系統忽略使用者知識差異，導致建議不匹配或過於複雜；AI 透過即時知識評估，可調整語言與建議深度，讓學習者更易理解與接受。
AI 重點 2
遊戲化數據收集協議提供多樣化知識表達，解決「雞蛋與雞」的資料缺乏問題。
滑鼠懸停看 AI 判斷理由
透過設計具挑戰性的遊戲，使用者被鼓勵探索未知功能，產生豐富且可辨識的知識線索，為模型訓練提供高質量樣本，進而提升估計準確度。
核心研究發現
- 1
提出將使用者領域知識估計作為對話式推薦系統的核心任務，突破傳統系統僅假設使用者為專家之限制。
- 2
設計並實施遊戲化「RecQuest」數據收集協議，成功收集到涵蓋不同知識水平使用者的對話記錄，填補了先前缺乏此類資料的空白。
- 3
針對收集到的對話資料提供基線模型與分析，證明從對話文本直接估計知識水平是可行且具備實際效能的。
對教育工作者的啟發
教育工作者可利用 RecQuest 所提供的知識估計方法，先評估學生對特定領域的熟悉度，再調整教材推薦與互動方式，避免過度簡化或過度挑戰。設計學習平台時，可嵌入遊戲化對話任務，讓學生在探索中自然展現知識水平，進而為 AI 模型提供即時訓練資料，提升個性化推薦精準度。
原始文獻資訊
- 英文標題：
- RecQuest: Towards Estimating User Domain Knowledge in Conversational Recommender Systems
- 作者：
- Ivica Kostric, Ujwal Gadiraju, Krisztian Balog
- 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。