Empowering Older Adults in Digital Technology Use with Foundation Models
作者: Hasti Sharifi, Homaira Huda Shomee, Sourav Medya, Debaleena Chattopadhyay
分类: cs.HC, cs.AI
发布日期: 2026-01-15
💡 一句话要点
利用大模型赋能老年人数字技术使用，解决沟通障碍提升技术支持。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 老年人技术支持 大型语言模型 自然语言处理 沟通障碍 AI释义 合成数据集 人机交互
📋 核心要点
- 老年人在使用数字技术时常因技术术语不熟悉和认知变化而难以清晰表达问题，导致现有技术支持效果不佳。
- 本研究利用大型语言模型（LLM）的提示链方法，对老年人的技术查询进行释义，以提高解决方案的准确性。
- 实验结果表明，AI释义后的查询显著提高了解决方案的准确性和年轻人的理解度，同时老年人也更容易理解和遵循AI生成的解决方案。
📝 摘要（中文）
高质量的技术支持能够帮助老年人使用数字应用，但许多老年人由于不熟悉技术术语和年龄相关的认知变化，难以清晰表达问题。本研究探讨了这些沟通挑战，并探索了基于人工智能的方法来缓解这些问题。我们对居住在社区的、讲英语的老年人进行了一项日记研究，收集了异步的、与技术相关的查询，并使用反身主题分析来识别沟通障碍。为了解决这些障碍，我们评估了基础模型如何通过释义老年人的查询来提高解决方案的准确性。随后进行了两项对照实验：一项是让年轻人评估AI重新措辞的查询，另一项是让老年人评估AI生成的解决方案。我们还开发了一个使用大型语言模型来生成第一个老年人请求技术支持的合成数据集（OATS）的流程。我们确定了四个关键的沟通挑战：冗长、不完整、过度指定和欠指定。我们使用大型语言模型GPT-4o的提示链方法，引出上下文细节，释义原始查询，并生成解决方案。AI重新措辞的查询显著提高了解决方案的准确性（69% vs. 46%）和谷歌搜索结果（69% vs. 35%）。年轻人更好地理解了AI重新措辞的查询（93.7% vs. 65.8%），并报告了更高的信心和轻松感。老年人报告了高度的感知能力来回答上下文问题（89.8%）和遵循解决方案（94.7%），并具有高度的信心和轻松感。OATS表现出强大的保真度和表面效度。这项工作表明，基础模型可以通过解决与年龄相关的沟通障碍来增强对老年人的技术支持。OATS数据集为开发更好地服务于老龄化人群的公平AI系统提供了一个可扩展的资源。
🔬 方法详解
问题定义：老年人在使用数字技术时，由于不熟悉技术术语、认知能力下降等原因，难以清晰、准确地表达遇到的问题。这导致传统的技术支持系统难以理解老年人的真实需求，从而无法提供有效的帮助。现有方法缺乏针对老年人特定沟通障碍的优化。
核心思路：利用大型语言模型（LLM）强大的自然语言理解和生成能力，对老年人提出的技术问题进行释义和补充，使其更加清晰、完整，从而提高技术支持系统理解问题的准确性。核心在于通过AI弥合老年人与技术系统之间的沟通鸿沟。
技术框架：整体流程包括：1) 通过日记研究收集老年人的技术问题；2) 使用反身主题分析识别沟通障碍；3) 利用GPT-4o等LLM，通过提示链方法，从原始问题中提取上下文信息，并进行释义；4) 使用释义后的问题生成解决方案；5) 通过实验评估释义前后解决方案的准确性和用户体验。
关键创新：该研究的关键创新在于：1) 针对老年人技术支持的特定沟通障碍，提出了基于LLM的释义方法；2) 构建了首个老年人技术支持请求的合成数据集（OATS），为后续研究提供了数据基础；3) 验证了LLM释义能够显著提高解决方案的准确性和用户体验。
关键设计：提示链方法是关键设计之一，通过精心设计的提示词，引导LLM从原始问题中提取上下文信息，并进行释义。此外，OATS数据集的构建也需要考虑数据的保真度和多样性，以确保其能够代表老年人真实的技术支持需求。
🖼️ 关键图片
📊 实验亮点
实验结果表明，AI释义后的查询显著提高了解决方案的准确性（69% vs. 46%）和Google搜索结果的准确性（69% vs. 35%）。年轻人对AI释义后的查询的理解度更高（93.7% vs. 65.8%）。老年人对回答上下文问题（89.8%）和遵循解决方案（94.7%）的能力有很高的信心。
🎯 应用场景
该研究成果可应用于各种面向老年人的数字技术支持系统，例如智能客服、远程协助等。通过AI释义，可以提高技术支持的效率和准确性，帮助老年人更好地使用数字技术，从而提升他们的生活质量，促进社会包容。未来，该技术还可扩展到其他有沟通障碍的群体。
📄 摘要（原文）
While high-quality technology support can assist older adults in using digital applications, many struggle to articulate their issues due to unfamiliarity with technical terminology and age-related cognitive changes. This study examines these communication challenges and explores AI-based approaches to mitigate them. We conducted a diary study with English-speaking, community-dwelling older adults to collect asynchronous, technology-related queries and used reflexive thematic analysis to identify communication barriers. To address these barriers, we evaluated how foundation models can paraphrase older adults' queries to improve solution accuracy. Two controlled experiments followed: one with younger adults evaluating AI-rephrased queries and another with older adults evaluating AI-generated solutions. We also developed a pipeline using large language models to generate the first synthetic dataset of how older adults request tech support (OATS). We identified four key communication challenges: verbosity, incompleteness, over-specification, and under-specification. Our prompt-chaining approach using the large language model, GPT-4o, elicited contextual details, paraphrased the original query, and generated a solution. AI-rephrased queries significantly improved solution accuracy (69% vs. 46%) and Google search results (69% vs. 35%). Younger adults better understood AI-rephrased queries (93.7% vs. 65.8%) and reported greater confidence and ease. Older adults reported high perceived ability to answer contextual questions (89.8%) and follow solutions (94.7%), with high confidence and ease. OATS demonstrated strong fidelity and face validity. This work shows how foundation models can enhance technology support for older adults by addressing age-related communication barriers. The OATS dataset offers a scalable resource for developing equitable AI systems that better serve aging populations.