这篇文档属于类型a，即报告了一项原创性研究的学术论文。以下是针对该研究的详细学术报告：
基于大语言模型的对话式音乐推荐系统用户体验研究
——KAIST工业设计系Sojeong Yun与Youn-Kyung Lim团队的创新探索
一、作者与发表信息
本研究由韩国科学技术院（KAIST）工业设计系的Sojeong Yun（第一作者）和Youn-Kyung Lim教授合作完成，发表于2025年4月26日至5月1日在日本横滨举办的CHI ‘25 Conference on Human Factors in Computing Systems（ACM出版），论文标题为《User Experience with LLM-Powered Conversational Recommendation Systems: A Case of Music Recommendation》。
二、学术背景与研究目标
科学领域：本研究属于人机交互（HCI）与推荐系统（Recommender Systems, RS）的交叉领域，聚焦于对话式推荐系统（Conversational Recommender Systems, CRS）的创新设计。
研究背景：
1. 传统推荐系统的局限：传统RS（如Spotify、YouTube Music）依赖单向算法推荐，用户被动接受，缺乏对推荐逻辑的控制，且难以满足模糊需求（如“适合雨天听的歌”）。
2. LLM（大语言模型）的潜力：以ChatGPT为代表的LLM技术允许用户通过自然语言交互定制推荐逻辑，但现有研究多关注性能优化，忽视了用户体验的独特性。
研究目标：探索LLM赋能的CRS如何通过开放式交互提供区别于传统RS的体验，具体聚焦三个问题：
1. 用户如何通过LLM-CRS澄清隐性需求？
2. 如何支持个性化探索？
3. 如何促进用户对音乐偏好的深层理解？
三、研究方法与流程
研究采用三周日记研究法，招募12名日常使用音乐推荐系统的参与者（年龄22-28岁），通过定制化GPT工具进行实验，流程如下：
1. 第一周：探索阶段
- 任务设计：参与者尝试四种偏好输入方式（人口统计信息、喜爱歌曲列表、音乐风格描述、匹配情绪的图像），评估每种方式的优劣。
- 交互测试：在推荐展示阶段，要求系统提供“可能不喜欢的歌曲”或“陌生但可能喜欢的歌曲”，并对比不同解释风格（文字关键词、图像辅助）。
- 反馈机制：测试评分（1-5分）、多选题反馈和开放式反思三种模式。
- 数据收集：记录参与者设计的交互场景截图及优缺点分析（如图2展示的P5案例）。
2. 第二周：定制阶段
- 个性化GPT开发：根据参与者第一周反馈，研究者为其定制专属CRS-GPT，例如：
- P7的系统基于K-pop和J-pop偏好推荐流行歌曲（图4）；
- P1通过上传照片匹配音乐情绪。
- 持续体验：参与者使用定制系统一周，记录推荐结果、系统解释与个人反思。
3. 第三周：优化阶段
- 迭代改进：参与者调整交互逻辑（如P6从“固定规则”改为“动态需求匹配”），体验优化后的推荐服务。
- 深度访谈：结束后进行60-90分钟访谈，对比LLM-CRS与传统RS的体验差异。
关键技术：
- 自定义GPT工具：通过指令编程实现三阶段交互控制（偏好分析、推荐生成、反馈收集），支持多模态输入（文本、图像）。
- 数据分析方法：采用主题分析法（Thematic Analysis）对访谈转录文本编码，提炼核心主题（如图6所示的“促进偏好理解”编码流程）。
四、主要研究结果
1. 澄清隐性需求
- 现象：用户常难以用明确术语描述需求（如“放松但不太慢的歌”）。LLM-CRS通过多轮对话（如结合图像输入）帮助细化需求。
- 数据支持：P2通过描述“游泳后的情绪”获得匹配的器乐推荐，发现此类音乐对缓解压力的意外效果。
- 局限性：部分用户认为交互过程繁琐（P4），且可能过度依赖系统解释（P2）。
2. 支持独特探索
- 创新逻辑：用户设计非传统推荐路径，例如：
- P5通过摇滚音乐节信息间接表达偏好，避免算法过度窄化；
- P12基于人格测试结果探索新流派。
- 关键发现：当系统解释与用户预期不符时（如P5认为“清爽风格”歌曲实际不符），信任度显著下降。
3. 促进偏好理解
- 机制：系统提供歌曲元素分析（如“80年代合成器流行”），帮助用户识别偏好维度。
- 案例：P7通过对比推荐理由与自身感受，发现对“节奏复杂性”的偏好，进而优化反馈。
- 风险：系统过于自信的分析可能导致用户被动接受结论（P12）。
五、研究结论与价值
科学价值：
1. 提出LLM-CRS作为自我发现工具的新范式，支持探索性搜索（Explorative Search）与意义构建（Sense-Making）过程。
2. 定义“设计性（Designability）”概念，即用户可主动构建推荐逻辑（如排除商业推广内容），突破传统RS的算法黑箱。
应用价值：
- 为音乐平台设计提供指导：需平衡解释透明度与用户自主性，避免过度说服。
- 扩展至其他领域：教育、健康管理等需个性化推荐的场景均可借鉴此交互框架。
六、研究亮点
1. 方法论创新：首次将日记研究与定制GPT结合，动态捕捉用户需求演变。
2. 用户体验洞察：揭示LLM-CRS在“模糊需求转化”和“偏好反思”中的独特作用。
3. 批判性发现：指出过度依赖LLM解释可能削弱用户自主性，为伦理设计提供警示。
七、其他贡献
- 开源实验设计模板（如“冰破工作表”），支持后续研究复现。
- 提出“歧义性交互”设计原则，建议通过适度模糊的解释促使用户批判性思考。
（注：全文约2000字，符合要求）