Leveraging Large Language Models for Collective Decision-Making
作者: Marios Papachristou, Longqi Yang, Chin-Chia Hsu
分类: cs.CL, cs.AI, cs.HC, cs.SI
发布日期: 2023-11-03 (更新: 2025-03-17)
备注: To appear at ACM CSCW 2025
期刊: Proceedings of the ACM on Human-Computer Interaction 2025
DOI: 10.1145/3757418
💡 一句话要点
提出利用大型语言模型促进集体决策以解决会议调度问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 集体决策 大型语言模型 偏好提取 会议调度 团队协作 智能决策 自然语言处理
📋 核心要点
- 集体决策面临个体偏好多样性和权力动态等挑战，现有方法难以有效协调。
- 提出利用大型语言模型提取个体偏好并建议满足多数成员需求的选项，提升决策效率。
- 实验结果显示，系统在减少互动次数的同时，能够公平地满足成员偏好，表现出色。
📝 摘要（中文）
在各种工作环境中，集体决策至关重要，但由于个体偏好多样、工作重点不同以及成员间的权力动态，决策过程常常面临挑战。为此，本文提出了一种利用大型语言模型（LLMs）来促进集体决策的系统，该系统通过管理对话和平衡个体偏好来帮助决策。我们将该系统应用于企业会议调度，创建合成员工档案并大规模模拟对话，利用LLMs评估系统性能。结果表明，该系统在减少成员间互动的同时，实现了高效协调，并随着时间推移不断优化建议选项，确保公平满足多位成员的偏好。最后，我们通过人类参与者的调查研究评估系统的偏好聚合能力，结果显示系统在这两个维度上表现良好。
🔬 方法详解
问题定义：本文旨在解决集体决策中的个体偏好协调问题，现有方法在处理多样化偏好和权力动态时效果不佳，导致决策效率低下。
核心思路：通过利用大型语言模型提取成员的个体偏好，并在对话中进行管理，系统能够提出满足多数成员需求的选项，从而提高决策的效率和公平性。
技术框架：系统主要包括三个模块：1) 偏好提取模块，通过对话分析提取个体偏好；2) 决策建议模块，根据提取的偏好生成建议选项；3) 反馈优化模块，基于成员反馈不断优化建议。
关键创新：本研究的创新点在于将大型语言模型应用于集体决策中，利用其强大的自然语言处理能力来理解和协调个体偏好，显著提升了决策的效率与公平性。
关键设计：系统设计中，采用了合成员工档案进行大规模对话模拟，使用特定的损失函数来优化偏好提取的准确性，并通过迭代反馈机制不断改进建议选项。
🖼️ 关键图片
📊 实验亮点
实验结果表明，系统在减少成员间互动次数的同时，能够有效协调个体偏好，表现出较强的决策能力。具体而言，系统在偏好聚合和推理能力方面均表现优异，显示出较高的用户满意度和决策效率。
🎯 应用场景
该研究的潜在应用领域包括企业会议调度、项目规划和团队协作等场景。通过有效协调个体偏好，系统能够提高决策效率，减少时间成本，促进团队合作，未来可能在更多行业中推广应用，提升集体决策的智能化水平。
📄 摘要（原文）
In various work contexts, such as meeting scheduling, collaborating, and project planning, collective decision-making is essential but often challenging due to diverse individual preferences, varying work focuses, and power dynamics among members. To address this, we propose a system leveraging Large Language Models (LLMs) to facilitate group decision-making by managing conversations and balancing preferences among individuals. Our system aims to extract individual preferences from each member's conversation with the system and suggest options that satisfy the preferences of the members. We specifically apply this system to corporate meeting scheduling. We create synthetic employee profiles and simulate conversations at scale, leveraging LLMs to evaluate the system performance as a novel approach to conducting a user study. Our results indicate efficient coordination with reduced interactions between the members and the LLM-based system. The system refines and improves its proposed options over time, ensuring that many of the members' individual preferences are satisfied in an equitable way. Finally, we conduct a survey study involving human participants to assess our system's ability to aggregate preferences and reasoning about them. Our findings show that the system exhibits strong performance in both dimensions.