Grand modèle de langage (LLM)-assistants intégrés à l'application, ou copilotes, peut
automatiser les tâches logicielles, mais les utilisateurs préfèrent souvent apprendre par la pratique, élevage
questions sur le niveau d'automatisation optimal pour un utilisateur efficace
expérience. Nous avons étudié deux paradigmes d'automatisation en concevant et
mise en œuvre d'un copilote entièrement automatisé (Copilote automatique) et un semi-automatisé
copilote (Copilote guidé) qui automatise les étapes triviales tout en offrant
guidage visuel étape par étape. Dans une étude utilisateur (N=20) à travers l'analyse des données et
tâches de conception visuelle, GuidedCopilot a surpassé AutoCopilot en termes de contrôle utilisateur,
utilitaire logiciel, et capacité d'apprentissage, surtout pour l'exploration et la créativité
tâches, tandis qu'AutoCopilot gagnait du temps pour des tâches visuelles plus simples. Un suivi
exploration de la conception (N=10) GuidedCopilot amélioré avec connaissance des tâches et de l'état
caractéristiques, y compris des clips de prévisualisation en contexte et des instructions adaptatives. Notre
les résultats mettent en évidence le rôle essentiel du contrôle des utilisateurs et des conseils personnalisés dans
concevoir la prochaine génération de copilotes qui améliorent la productivité, soutien
divers niveaux de compétence, et favoriser un engagement logiciel plus profond.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: