本文探討了如何透過大型語言模型（LLM）推動人機互動，並超越傳統的可解釋人工智慧（XAI）範式，考慮LLM的認知解釋。作者方法著重於認知建模、遺傳算法、神經網絡、因果循環動力學和特徵實現等解決方案，使XAI更具目的性和持續性。研究結果顯示，在信息處理中應用LLM需要特定結構條件，尤其在戰略規劃情境下，可加速集體問題解決。這研究有助於各領域發展可解釋的LLM。 PubMed DOI

這段文字探討自然語言在人工與機器互動中的新角色，特別是在生物化學任務上，如性質預測和分子挖掘。作者提出「對話式分子設計」，讓使用者能用自然語言描述和編輯分子。為此，他們開發了ChatMol，一個結合實驗數據和化學知識的生成式預訓練模型。研究證明這種方法的有效性，並提供了未來在分子發現中自然語言互動的見解，相關資源也在GitHub上公開。 PubMed DOI

大型語言模型（LLMs）在智能視覺化系統中有很大潛力，尤其在專業應用上，但整合時面臨挑戰，包括領域特定問題、視覺化過程及用戶互動。為解決這些問題，我們提出了一個框架，利用微調的LLMs來改善視覺互動。 在教育領域，智能視覺化系統能支持初學者的自我調節學習。我們介紹了Tailor-Mind，一個互動式視覺化系統，幫助AI初學者進行自我調節學習。研究顯示，Tailor-Mind能提供個性化建議，增強學習體驗，驗證了我們框架的有效性。 PubMed DOI

可解釋的人工智慧（XAI）是一個快速發展的領域，旨在讓機器學習模型更透明易懂。在化學領域，XAI 對於揭示分子結構與性質的關係特別重要，但現有方法多數針對專業人士，限制了普及性。 為了解決這個問題，我們提出了 XpertAI 框架，結合 XAI 技術與大型語言模型（LLMs），能夠自動生成化學數據的自然語言解釋，讓更多人能理解。 我們進行了五個案例研究，結果顯示 XpertAI 成功結合了 LLMs 和 XAI 工具，提供具體且科學準確的解釋，讓複雜的化學數據更易於理解。 PubMed DOI

這項工作介紹了一個名為 Voice in Head (ViH) 的新框架，利用大型語言模型 (LLMs) 和語意理解來提升機器人的導航與互動能力。系統結合了 GPT 和 Gemini LLMs，並透過強化學習 (RL) 進行持續學習。它還具備由 Azure AI Search 支持的語意搜尋功能，讓使用者能用自然語言互動。為了確保安全性，系統內建人類反饋的強化學習 (RLHF) 元件。ViH 框架成功率高達 94.54%，顯示出在認知機器人技術上的重大進展。 PubMed DOI

LightVA 框架旨在透過整合大型語言模型 (LLM) 代理，簡化視覺分析過程，幫助分析師更有效地規劃和執行任務。其主要組成包括： 1. **任務提案與規劃**：將複雜任務分解為可管理的部分，提升組織與執行效率。 2. **數據建模與視覺化**：執行者負責生成視覺化圖表及數據分析。 3. **動態控制**：控制器協調規劃者與執行者的互動，隨任務變化調整複雜度。 4. **用戶互動**：提供任務流程圖和互動式視覺化面板，增強用戶控制感。 實際場景與專家研究顯示，LightVA 有潛力改善視覺分析工作流程，讓其更智能且友善於用戶。 PubMed DOI

大型語言模型（LLMs）因為能用簡單的提示處理各種自然語言任務而受到廣泛歡迎，讓非專家也能輕鬆使用。不過，撰寫有效的提示卻不容易，因為需要特定知識。為了幫助用戶改善提示，我們開發了PROMPTAID，這是一個互動式的視覺分析系統，能讓用戶創建、精煉和測試提示。PROMPTAID透過協調視覺化，促進關鍵字擾動、意義重述和選擇最佳範例，並經過專家意見和用戶研究驗證，讓用戶能輕鬆迭代提示，生成多樣選項，並有效分析提示表現。 PubMed DOI

大型語言模型（LLMs）如GPT-4與擴增實境（XR）技術結合，能創造沉浸式環境，並透過自然語言與使用者互動。不過，XR環境的複雜性使得提取上下文數據變得困難，導致成本上升和錯誤產生。為了解決這些問題，我們推出了LLMER框架，利用LLMs生成的JSON數據來構建互動式XR世界。LLMER能有效減少應用崩潰和延遲，初步研究顯示其令牌消耗減少超過80%，任務完成時間減少約60%。使用者反饋也指出了優化的空間。 PubMed DOI

這篇論文介紹一套得獎的3D超擬真互動數位人系統，採用模組化客戶端-伺服器架構，結合LLM、語音辨識、自然語言處理和情感TTS技術。透過電腦圖學和AI，打造擬真3D虛擬人，目標是革新數位內容的製作和應用方式，並探討未來發展潛力。 PubMed DOI

這篇論文介紹「Visualizationary」系統，結合 ChatGPT 與視覺化設計指引，能針對使用者的圖表給予個人化、具體的改進建議，且不需寫程式。13 位參與者的研究顯示，透過 LLM 以自然語言指導，能有效提升不同經驗者的視覺化設計能力。補充資料可在 https://osf.io/v7hu8 查詢。 PubMed DOI