InsightLens: Discovering and Exploring Insights from Conversational Contexts in Large-Language-Model-Powered Data Analysis

大型语言模型（LLMs）的普及已经彻底改变了自然语言界面（NLIs）在数据分析方面的能力。LLMs可以执行多步和复杂的推理，根据用户的分析意图生成数据洞察。然而，这些洞察经常与分析对话中的大量上下文（如代码、可视化和自然语言解释）纠缠在一起。这阻碍了在当前基于聊天的LLMs界面内有效地识别、验证和解释洞察。在本文中，我们首先进行了一项形成性研究，与八位经验丰富的数据分析师合作，了解他们在LLM驱动的数据分析过程中的一般工作流程和痛点。然后，我们提出了一个基于LLM的多代理框架，以自动提取、关联和组织洞察，随着分析过程进行。基于此，我们介绍了InsightLens，一个交互式系统，可以从多个方面可视化复杂的对话上下文，以促进洞察的发现和探索。一项与十二名数据分析师的用户研究证明了InsightLens的有效性，显示它显著减少了用户的手动和认知努力，而不会干扰他们的对话数据分析工作流程，从而带来更高效的分析体验。

本论文旨在解决在LLM驱动的数据分析中，由于丰富的交互内容导致的洞察发现、验证和解释困难的问题。

该论文提出了一个基于LLM的多代理框架，自动提取、关联和组织洞察，并提出了InsightLens交互式系统来可视化交互内容，从多个方面帮助洞察发现和探索。

论文首先进行了形式化研究，然后提出了一个新的框架和系统，通过实验验证了其有效性。系统可以显著降低用户的手动和认知负担，同时不会干扰他们的交互式数据分析工作流程。

最近的相关研究包括：1.使用深度学习技术来改进自然语言接口的性能；2.使用多个智能代理来帮助用户完成任务；3.使用可视化技术来帮助用户理解和发现数据中的模式和趋势。