Human--AI Interactions as First-Class Data: A Formal Interaction Model and Runtime for Explainable AI Collaboration

{"tags": ["HAIDL", "HAIDL-X", "Human-AI Interaction", "Explainable AI", "JupyterLab", "Data Provenance", "Reproducibility", "Telemetry"], "risks": ["Rủi ro rò rỉ dữ liệu nhạy cảm: Việc tự động thu thập toàn bộ ngữ cảnh tính toán, mã nguồn, prompt và phản hồi có thể lưu trữ nhầm thông tin bí mật hoặc dữ liệu cá nhân.", "Overhead lưu trữ và hiệu năng: Ghi chép chi tiết trace thực thi và trạng thái tương tác liên tục có thể làm tăng dung lượng lưu trữ và gây độ trễ cho môi trường làm việc.", "Phạm vi hỗ trợ ban đầu hạn chế: Triển khai middleware HAIDL-X mới chỉ tập trung vào JupyterLab, cần công sức mở rộng sang các IDE phổ biến khác (VS Code, JetBrains)."], "category": "Research", "entities": ["HAIDL", "HAIDL-X", "JupyterLab", "Backus-Naur Form"], "summary_vi": "Nghiên cứu giới thiệu HAIDL (Human-AI Interaction Description Language) và middleware HAIDL-X cho JupyterLab nhằm chuẩn hóa tương tác người-AI thành dữ liệu có cấu trúc hạng nhất (first-class data). Thay vì xem tương tác prompt-response là các trao đổi tạm thời, HAIDL lưu vết đầy đủ bối cảnh tính toán, provenance và phản hồi, cho phép truy vấn, tái hiện và phân tích định lượng hành vi người dùng.", "key_changes": ["Đề xuất HAIDL (Human-AI Interaction Description Language): Mô hình hình thức với cú pháp lấy cảm hứng từ BNF, biến tương tác người-AI thành đối tượng dữ liệu có cấu trúc hạng nhất thay vì chỉ là hội thoại tạm thời.", "Lưu trữ toàn diện ngữ cảnh tương tác: Mã hóa chi tiết ngữ cảnh tính toán, yêu cầu người dùng, payload prompt, phản hồi AI, phản hồi người dùng (feedback), bối cảnh bài toán, provenance và metadata mô hình.", "Xây dựng middleware HAIDL-X trên JupyterLab: Thu thập trạng thái user-bot, tạo prompt theo ngữ cảnh, kết nối với AI provider, thu thập phản hồi và lưu tương tác vào kho dữ liệu.", "Bổ sung tầng học máy phân tích hành vi: Ánh xạ dữ liệu tương tác và execution trace của notebook thành các chỉ số hành vi người dùng (mức độ gắn kết, hiệu suất, hành vi tìm kiếm trợ giúp, sử dụng theo lỗi và persona học tập)."], "sub_category": "Human-AI Interaction & Explainable AI", "novelty_score": 78, "business_score": 65, "research_score": 85, "why_it_matters": "Giải quyết điểm mù lớn của các hệ thống AI hiện nay: thiếu khả năng tái lập và kiểm toán các phiên làm việc do xem tương tác là dữ liệu tạm thời. Việc chuẩn hóa tương tác thành đối tượng dữ liệu có cấu trúc mở đường cho kiểm toán XAI chặt chẽ, tối ưu hóa AI assistant dựa trên dữ liệu thực tế và phân tích hành vi người dùng chuyên sâu.", "developer_score": 72, "importance_score": 75, "possible_use_cases": ["Kiểm toán và tái lập (Reproducibility & XAI): Lưu vết đầy đủ lịch sử tương tác AI trong phân tích dữ liệu và nghiên cứu khoa học để đảm bảo tính minh bạch và khả năng tái lập kết quả.", "Thu thập dữ liệu huấn luyện (RLHF/DPO dataset): Sử dụng kho dữ liệu tương tác phong phú, có bối cảnh thực thi và feedback làm dữ liệu tinh chỉnh mô hình AI chuyên dụng.", "Phân tích hành vi và đánh giá kỹ năng: Theo dõi cách lập trình viên và học viên tương tác với AI trong môi trường notebook để đánh giá độ thành thạo, phát hiện phụ thuộc hoặc gợi ý hỗ trợ thích ứng.", "Tối ưu hóa công cụ AI trong IDE: Cung cấp nền tảng telemetry chuẩn mực cho các nhà phát triển công cụ AI để cải tiến prompt và UX."], "actionability_score": 68}