MARC

 008260126s2025        us                              c    eng  d
■001000017358065
■00520260202103638
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314873267
■035    ▼a(MiAaPQ)AAI32092494
■035    ▼a(MiAaPQ)umichrackham006017
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aClarke,  Christopher.
■24510▼aTowards  Enhanced  Human-AI  Interaction:  A  Holistic  Approach  to  Personalization  in  Natural  Language  Processing
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a154  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Mars,  Jason;Tang,  Lingjia.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aTraditional  NLP  approaches  lean  towards  developing  universal  models  designed  to  cater  to  a  wide  spectrum  of  tasks  and  user  demographics.  These  models  prioritize  broad  applicability,  effectively  homogenizing  user  interactions  into  a  one-size-fits-all  framework.  While  practical  for  many  common  applications,  this  one-size-fits-all  approach  often  fails  to  address  the  rich  tapestry  of  human  diversity  and  individual  needs  needed  to  build  truly  interactive  systems.  This  dissertation  argues  for  a  paradigm  shift  towards  personalized  NLP  enabling  systems  that  can  adapt  to  individual  users'  preferences,  needs,  and  contexts.  Personalization  is  a  critical  aspect  of  human-AI  interaction,  as  it  enables  AI  systems  to  better  understand  and  cater  to  individual  users'  unique  requirements.  In  this  dissertation,  I  demonstrate  how  personalization  can  be  integrated  into  modern  NLP  systems  to  enhance  user  experiences  from  a  holistic  perspective.  I  showcase  a  series  of  works  for  personalized  NLP  that  encompass  four  key  aspects:  1)  Approaches  for  incorporating  user  perspective,  2)  Adaptive  Learning  &  Feedback  for  Personalization,  3)  Interactive  Interfaces  for  Personalization,  and  4)  Datasets  &  Benchmarks  for  Personalization.  First,  I  explore  techniques  for  incorporating  user  perspectives  into  large  language  models  (LLMs),  enabling  models  to  better  understand  user  preferences  and  needs.  Secondly,  I  investigate  adaptive  learning  and  feedback  mechanisms  that  allow  LLMs  to  adapt  to  user  feedback  and  improve  over  time.  Thirdly,  I  explore  interactive  interfaces  that  facilitate  user-AI  collaboration,  enabling  users  to  provide  feedback  and  guidance.  Lastly,  I  discuss  the  importance  of  datasets  and  benchmarks  for  evaluating  personalized  LLMs,  highlighting  the  need  for  diverse  and  representative  datasets  to  ensure  the  robustness  and  generalizability  of  personalized  models.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■653    ▼aNatural  language  processing
■653    ▼aHuman  ai  interaction
■653    ▼aPersonalization
■653    ▼aLarge  language  models
■653    ▼aPersonalized  models
■690    ▼a0984
■690    ▼a0800
■690    ▼a0464
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358065▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서