Understanding and Supporting Formal Email Exchange by Answering AI-Generated Questions
作者: Yusuke Miura, Chi-Lan Yang, Masaki Kuribayashi, Keigo Matsumoto, Hideaki Kuzuoka, Shigeo Morishima
分类: cs.HC, cs.AI
发布日期: 2025-02-06 (更新: 2025-02-07)
💡 一句话要点
提出基于问答的LLM辅助邮件回复系统ResQ，提升回复效率并降低认知负荷。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 邮件回复 大型语言模型 问答系统 人机交互 办公自动化
📋 核心要点
- 现有邮件回复系统依赖用户提供详细提示，增加了认知负担，难以高效生成高质量回复。
- 论文提出基于问答的邮件回复方法，通过LLM生成问题，用户回答问题辅助生成回复。
- 实验结果表明，该方法在保持邮件质量的同时，提高了回复效率并降低了用户的工作量。
📝 摘要（中文）
回复正式邮件既耗时又需要大量的认知资源，因为它需要精心措辞和充分回应发件人的需求。尽管已有基于大型语言模型（LLMs）的系统旨在简化邮件回复过程，但用户仍然需要提供详细的提示才能获得预期的输出。因此，我们提出并评估了一种基于LLM的问答（QA）方法，用户通过回答从收到的邮件中生成的一系列简单而简短的问题来回复邮件。我们开发了一个原型系统ResQ，并进行了包含12名和8名参与者的对照实验和现场实验。结果表明，与传统的基于提示的方法（需要用户精心设计提示以获得邮件草稿）相比，基于QA的方法提高了回复邮件的效率，降低了工作量，同时保持了邮件质量。我们讨论了基于QA的方法如何影响邮件回复过程和人际关系动态，以及在AI介导的通信中使用基于QA的方法相关的机遇和挑战。
🔬 方法详解
问题定义：论文旨在解决正式邮件回复耗时且认知负担重的问题。现有基于LLM的邮件回复系统需要用户提供详细的prompt，这增加了用户的负担，并且prompt的设计对回复质量有很大影响。因此，如何降低用户负担，同时保证邮件回复的质量和效率是本研究要解决的核心问题。
核心思路：论文的核心思路是将复杂的邮件回复任务分解为一系列简单的问答。通过LLM分析收到的邮件，自动生成一系列相关的问题，用户只需回答这些问题，LLM再根据用户的答案生成邮件回复草稿。这种方式降低了用户直接编写prompt的难度，从而降低了认知负担。
技术框架：ResQ系统的整体流程如下：1. 接收邮件；2. 使用LLM分析邮件内容并生成一系列问题；3. 向用户展示问题，并收集用户的答案；4. 使用LLM根据用户的答案生成邮件回复草稿；5. 用户可以编辑和发送回复草稿。主要模块包括：邮件解析模块、问题生成模块、答案收集模块和回复生成模块。
关键创新：该方法的核心创新在于将邮件回复任务转化为问答形式。与传统的prompt-based方法相比，它不需要用户直接编写复杂的prompt，而是通过回答一系列简单的问题来引导LLM生成回复。这种方式降低了用户的使用门槛，提高了回复效率。
关键设计：论文中没有详细说明LLM的具体选择和参数设置，以及问题生成的具体算法。这些细节属于未公开信息。但是，可以推测，问题生成模块需要考虑问题的相关性、简洁性和覆盖度，以确保用户能够通过回答这些问题提供足够的信息来生成高质量的回复。回复生成模块需要根据用户的答案进行语义理解和推理，以生成流畅、自然的回复草稿。
🖼️ 关键图片
📊 实验亮点
实验结果表明，与传统的基于prompt的方法相比，基于QA的方法显著提高了邮件回复的效率，并降低了用户的工作量。具体而言，用户在使用ResQ系统后，回复邮件所需的时间平均减少了X%，主观工作量评分降低了Y%。同时，邮件的质量（例如，完整性、准确性）得到了保持。
🎯 应用场景
该研究成果可应用于各种办公自动化场景，例如智能邮件助手、客户服务机器人等。通过降低邮件回复的认知负担，提高工作效率，并改善人际沟通体验。未来可扩展到其他需要复杂文本生成的场景，例如报告撰写、合同起草等。
📄 摘要（原文）
Replying to formal emails is time-consuming and cognitively demanding, as it requires crafting polite phrasing and providing an adequate response to the sender's demands. Although systems with Large Language Models (LLMs) were designed to simplify the email replying process, users still need to provide detailed prompts to obtain the expected output. Therefore, we proposed and evaluated an LLM-powered question-and-answer (QA)-based approach for users to reply to emails by answering a set of simple and short questions generated from the incoming email. We developed a prototype system, ResQ, and conducted controlled and field experiments with 12 and 8 participants. Our results demonstrated that the QA-based approach improves the efficiency of replying to emails and reduces workload while maintaining email quality, compared to a conventional prompt-based approach that requires users to craft appropriate prompts to obtain email drafts. We discuss how the QA-based approach influences the email reply process and interpersonal relationship dynamics, as well as the opportunities and challenges associated with using a QA-based approach in AI-mediated communication.