Розробка підходу до персоналізації чат-боту з генеративним штучним інтелектом при реалізації онлайн помічника

Автор(и)

  • Ольга Олександрівна Кряжич Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України, Україна https://orcid.org/0000-0003-1845-5014
  • Іван Андрійович Іванов Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України, Україна https://orcid.org/0009-0007-8622-7765
  • Людмила Марківна Ісак Університет Григорія Сковороди в Переяславі, Україна https://orcid.org/0000-0001-7466-8757
  • Олександр Анатолійович Бабак Університет Григорія Сковороди в Переяславі, Україна https://orcid.org/0000-0003-1657-4132

DOI:

https://doi.org/10.15587/2706-5448.2025.326914

Ключові слова:

плагін, модель GOMS, декомпозиція операторів, когнітивні функції, природна мова користувача

Анотація

Об’єктом дослідження є взаємодія в системі «людина – машина» при взаємодії користувача з генеративним штучним інтелектом. Актуальність теми дослідження обумовлена необхідністю надання допомоги користувачам за вузькою професійною тематикою. Для реалізації поставленої у роботі мети була розроблена модель декомпозиції операторів за технологією «Goals, Objects, Methods, and Selection rules» GOMS з врахуванням багаторівневих когнітивних функцій людини. Для цього були використані мікрооператори, які відповідають за поєднання різноманітних дій для здійснення пошуку відповіді на запитання. Була розроблена модель з декомпозицією оператора μ, що відповідає за когнітивні функції при створенні запиту при взаємодії людини з чат-ботом на основі штучного інтелекту. В роботі використана взаємодія з чат-ботом ChatGPT.

Запропонований алгоритм декомпозиції був покладений в основу плагіна онлайн помічника. Реалізація виконана на JavaScript, що дозволяє використовувати його на будь-яких сайтах та порталах. Основними компонентами плагіна виступають інтерфейс для введення запиту, багаторівневий механізм пошуку на сайті та у підключених спеціалізованих бібліотеках. Реалізована API інтеграція плагіна з ChatGPT.

За підсумками роботи було проведене дослідження експериментального визначення значень операторів дій та рухів, що пов’язані з розумовою активністю людини та алгоритмізовані у онлайн помічнику. За підсумками експерименту було враховано, що для чат-боту запити з використанням іншомовних знаків та символів та запити звичайною природною мовою користувача, рівнозначні. Для спілкування з ChatGPT за допомогою плагіну слід при формуванні вузькопрофесійних запитів дотримуватися однозначності та чіткості. Був отриманий результат, що при запиті природною мовою за темою, знайомою користувачу, онлайн помічник адаптується до вимог повільніше. Але при цьому швидкість пошуку відповіді та її формулювання прискорюється. Була вирішена проблема персоналізації онлайн помічника. Це стало можливим завдяки аналізу поведінки користувача через деталізацію запиту за мікрооператорами в моделі GOMS. Це дозволяє персоналізувати онлайн помічник без реєстрації користувача, лише за його поведінкою при формуванні запиту.

Запропонований підхід може бути використаний для створення онлайн помічників для реалізації вузькоспеціалізованих складних проєктів на вебплатформах.

Біографії авторів

Ольга Олександрівна Кряжич, Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України

Кандидат технічних наук, старший дослідник, доцент, старший науковий співробітник

Іван Андрійович Іванов, Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України

Аспірант

Людмила Марківна Ісак, Університет Григорія Сковороди в Переяславі

Кафедра цифрових технологій навчання

Олександр Анатолійович Бабак, Університет Григорія Сковороди в Переяславі

Викладач

Кафедра цифрових технологій навчання

Посилання

  1. Lin, J., Sayagh, M., Hassan, A. E. (2023). The Co-evolution of the WordPress Platform and Its Plugins. ACM Transactions on Software Engineering and Methodology, 32 (1), 1–24. https://doi.org/10.1145/3533700
  2. Mansfield, R. (2025). WordPress power toolkit: harness AI to build next-level websites. Manning Publications. Available at: https://www.oreilly.com/library/view/-/9781633437746/
  3. Sun, Y., Li, S., Yu, L. (2021). The dark sides of AI personal assistant: effects of service failure on user continuance intention. Electronic Markets, 32 (1), 17–39. https://doi.org/10.1007/s12525-021-00483-2
  4. Orru, G., Longo, L. (2019). The Evolution of Cognitive Load Theory and the Measurement of Its Intrinsic, Extraneous and Germane Loads: A Review. Human Mental Workload: Models and Applications. Communications in Computer and Information Science, 23–48. https://doi.org/10.1007/978-3-030-14273-5_3
  5. Jesus, R., Bastião Silva, L., Sousa, V., Carvalho, L., Garcia Gonzalez, D., Carias, J., Costa, C. (2023). Personalizable AI platform for universal access to research and diagnosis in digital pathology. Computer Methods and Programs in Biomedicine, 242, 107787. https://doi.org/10.1016/j.cmpb.2023.107787
  6. Gohara, D. W. (2018). WPBMB Entrez: An interface to NCBI Entrez for Wordpress. Biophysical Chemistry, 234, 1–5. https://doi.org/10.1016/j.bpc.2017.11.004
  7. Hadfi, R., Haqbeen, J., Sahab, S., Ito, T. (2021). Argumentative Conversational Agents for Online Discussions. Journal of Systems Science and Systems Engineering, 30 (4), 450–464. https://doi.org/10.1007/s11518-021-5497-1
  8. Casciato, D., Mateen, S., Cooperman, S., Pesavento, D., Brandao, R. A. (2024). Evaluation of Online AI-Generated Foot and Ankle Surgery Information. The Journal of Foot and Ankle Surgery, 63 (6), 680–683. https://doi.org/10.1053/j.jfas.2024.06.009
  9. Zhu, Y., Zhang, J., Wu, J., Liu, Y. (2022). AI is better when I’m sure: The influence of certainty of needs on consumers’ acceptance of AI chatbots. Journal of Business Research, 150, 642–652. https://doi.org/10.1016/j.jbusres.2022.06.044
  10. Rech, A., Goltsev, Y., Samusik, N., Li, H., Nolan, G. P., June, C. H., Jhala, A. (2024). Mapping Path Forward for Using the Generative AI for Comprehension of Prognostic Genesets Implicated in Hematologic Malignancies. Blood, 144 (1), 7521–7521. https://doi.org/10.1182/blood-2024-211865
  11. Ataii, N., Bakshi, S., Chen, Y., Fernandez, M., Shao, Z., Scheftel, Z. et al. (2023). Enabling AI in synthetic biology through Construction File specification. PLOS ONE, 18 (11), e0294469. https://doi.org/10.1371/journal.pone.0294469
  12. Fan, H., Gao, W., Han, B. (2023). Are AI chatbots a cure-all? The relative effectiveness of chatbot ambidexterity in crafting hedonic and cognitive smart experiences. Journal of Business Research, 156, 113526. https://doi.org/10.1016/j.jbusres.2022.113526
  13. Goldfarb, A., Taska, B., Teodoridis, F. (2023). Could machine learning be a general purpose technology? A comparison of emerging technologies using data from online job postings. Research Policy, 52 (1), 104653. https://doi.org/10.1016/j.respol.2022.104653
  14. Loukides, M. K. (2024). ChatGPT basics: enable third-party plug-ins. O’Reilly Media, Inc. Available at: https://www.oreilly.com/library/view/-/9781098167691/
  15. Jorritsma, W., Haga, P.-J., Cnossen, F., Dierckx, R. A., Oudkerk, M., van Ooijen, P. M. A. (2015). Predicting Human Performance Differences on Multiple Interface Alternatives: KLM, GOMS and CogTool are Unreliable. Procedia Manufacturing, 3, 3725–3731. https://doi.org/10.1016/j.promfg.2015.07.806
  16. Iftikhar, S., Gill, S. S., Song, C., Xu, M., Aslanpour, M. S., Toosi, A. N. et al. (2023). AI-based fog and edge computing: A systematic review, taxonomy and future directions. Internet of Things, 21, 100674. https://doi.org/10.1016/j.iot.2022.100674
  17. Almeida, Y., Albuquerque, D., Filho, E. D., Muniz, F., de Farias Santos, K., Perkusich, M. et al. (2024). AICodeReview: Advancing code quality with AI-enhanced reviews. SoftwareX, 26, 101677. https://doi.org/10.1016/j.softx.2024.101677
  18. Tomić, B. B., Kijevčanin, A. D., Ševarac, Z. V., Jovanović, J. M. (2023). An AI-based Approach for Grading Students’ Collaboration. IEEE Transactions on Learning Technologies, 16 (3), 292–305. https://doi.org/10.1109/tlt.2022.3225432
  19. Setthawong, P., Setthawong, R. (2019). Updated Goals, Operators, Methods, and Selection Rules (GOMS) with Touch Screen Operations for Quantitative Analysis of User Interfaces. International Journal on Advanced Science, Engineering and Information Technology, 9 (1), 258–265. https://doi.org/10.18517/ijaseit.9.1.7865
Development of an approach to chat-bot personalization with generative artificial intelligence when realize an online assistant

##submission.downloads##

Опубліковано

2025-05-03

Як цитувати

Кряжич, О. О., Іванов, І. А., Ісак, Л. М., & Бабак, О. А. (2025). Розробка підходу до персоналізації чат-боту з генеративним штучним інтелектом при реалізації онлайн помічника. Technology Audit and Production Reserves, 3(2(83), 12–19. https://doi.org/10.15587/2706-5448.2025.326914

Номер

Том 3 № 2(83) (2025): Інформаційно-керуючі системи

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2025 Olha Kryazhych, Ivan Ivanov, Liudmyla Isak, Oleksandr Babak

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.