Key points are not available for this paper at this time.
Les grands modèles de langage (LLMs) offrent une nouvelle façon de créer des chatbots en acceptant des invites en langage naturel. Pourtant, il n'est pas clair comment concevoir des invites pour permettre aux chatbots de mener des conversations naturelles tout en poursuivant un objectif donné, comme la collecte de données auto-rapportées auprès des utilisateurs. Nous explorons quels facteurs de conception des invites peuvent aider à orienter les chatbots pour parler de manière naturelle et collecter des données de manière fiable. À cette fin, nous avons formulé quatre conceptions d'invites avec différentes structures et personas. Grâce à une étude en ligne (N = 48) où les participants ont conversé avec des chatbots dotés de différentes conceptions d'invites, nous avons évalué comment les conceptions d'invites et les sujets de conversation affectaient les flux de conversation et les perceptions des utilisateurs des chatbots. Nos chatbots ont couvert 79 % des informations souhaitées durant les conversations, et les conceptions d'invites et les sujets ont significativement influencé les flux de conversation et la performance de collecte de données. Nous discutons des opportunités et des défis de la création de chatbots avec des LLMs.
Wei et al. (Wed,) ont étudié cette question.