摘要

本文介绍了一种改进人工智能辅助数据分析中指导和验证过程的新方法，通过交互式任务分解技术，特别是在数据分析编程领域，该领域需要数据处理、编程和统计方面的专业知识。研究团队开发了两种对比方法：Stepwise和Phasewise，分别将问题分解为逐步子目标和逻辑阶段，以提高用户对AI生成结果的控制和验证能力。通过对比实验，用户报告在使用Stepwise和Phasewise系统时，干预、修正和验证过程更为容易，相较于传统的对话式基线系统，用户感受到更大的控制力和更简便的验证过程。研究结果为AI辅助数据分析工具的设计提供了指导和权衡的建议。

原理

本文提出的Stepwise和Phasewise系统通过分解数据分析任务，使用户能够更精细地控制和验证AI的输出。Stepwise系统将任务分解为一系列逐步的子目标，每个子目标包含可编辑的假设和相应的代码，用户可以在每一步进行干预和调整。Phasewise系统则将整个任务分解为三个可编辑的逻辑阶段：输入/输出假设、执行计划和代码，用户可以在每个阶段进行全局性的调整。这两种系统都利用大型语言模型（LLM）来生成任务分解的部分，并通过提供可编辑的假设和代码，使用户能够专注于任务的每个部分，从而实现更细粒度的指导和验证。

流程

在Stepwise系统中，用户首先输入数据集和任务描述，系统随后生成一系列逐步的子目标，每个子目标包含可编辑的假设和代码。用户可以在每一步进行编辑和验证，系统会根据用户的编辑生成下一步的子目标。在Phasewise系统中，用户同样输入数据集和任务描述，系统生成三个阶段的分解：输入/输出假设、执行计划和代码。用户可以在每个阶段进行编辑和验证，系统会根据用户的编辑生成相应的代码。例如，用户可以在输入/输出假设阶段编辑数据集的相关列和假设，然后在执行计划阶段编辑任务的执行步骤，最后在代码阶段编辑生成的代码。

应用

本文提出的交互式任务分解方法在AI辅助数据分析工具中具有广泛的应用前景。这些方法可以帮助数据科学家和分析师更有效地与AI系统交互，提高数据分析的准确性和效率。未来，这些技术可以进一步集成到现有的数据分析平台中，如Jupyter Notebook、Anaconda等，为用户提供更加直观和强大的数据分析体验。此外，随着AI技术的不断发展，这些方法也可以扩展到其他领域，如自然语言处理、图像识别等，为不同领域的AI辅助工具提供设计指导。