为儿童设计更智能的对话式助手：来自认知研究和手段-目的分析的启示

《ACM Transactions on Computer-Human Interaction》：Designing Smarter Conversational Agents for Kids: Lessons from Cognitive Work and Means-Ends Analyses

巴西9-11岁儿童使用对话式代理进行学习与娱乐的研究表明，结构化脚手架可优化人机互动效果，通过认知工作分析（CWA）和模拟实验验证了对话树设计与提示结构化对信息处理、问题深度及回答多样性的提升作用。

　　

摘要

本文研究了巴西儿童（9-11岁）如何使用对话式代理（Conversational Agents, CAs）来完成学习任务、进行探索和娱乐活动，以及结构化的辅助工具如何能够增强这些互动效果。在研究1中，我们对23名参与者（包括儿童、家长和教师）进行了为期七周的在线调查，通过访谈、观察和认知工作分析（Cognitive Work Analysis）来梳理儿童的信息处理流程、更有知识的人在互动中的作用、功能性的使用场景以及互动模式，从而为对话树的设计提供依据。我们确定了对话式代理的三种功能：学习辅助、探索支持与娱乐娱乐，并据此制定了类似于亲子互动中提供的辅助策略。在研究2中，我们使用GPT-4o-mini模型模拟了1200次儿童与对话式代理的交流场景，将基于结构化提示的对话树设计与非结构化的基线设计进行了对比。通过对可读性、问题数量/深度/多样性以及逻辑连贯性的定量评估，我们发现结构化辅助策略具有显著优势。基于这些研究结果，我们提出了以下设计建议：使用分层结构的对话树、为儿童定制的个性化交互界面，以及由监护人筛选的内容资源。我们的贡献包括首次将认知工作分析方法应用于巴西儿童的研究、构建了描述儿童与对话式代理信息交互过程的实证框架，以及提供了一种基于大型语言模型（LLM）的辅助策略（即结构化提示），以实现有效的、分层化的学习过程。