日前，实验室硕士生张浩男作为第一作者的论文“WePilot: Integrating Younger Family Members and Chatbot to Support Older Adults Learning Smartphone Usage”被CCF A类会议The ACM SIGCHI Conference on Computer-Supported Cooperative Work & Social Computing (CSCW)会议录用。该论文是复旦大学计算与智能创新学院与老龄研究院跨学科研究团队AI4SS（AI for Social Science）的最新研究成果。
本研究通过多模态大模型（MLLMs）与人机交互和计算机支持协同工作理论，开发了一款面向老年群体与年轻家庭成员的智能手机使用支持系统——WePilot。论文聚焦于老年人在智能手机使用中因知识有限、记忆力下降及信息处理能力减弱所面临的挑战，并分析了年轻家庭成员在提供技术支持时遇到的时间、知识和设备界面差异等问题。针对传统支持方式（如直接电话指导或在线教程）在效率和个性化方面的不足，研究提出了一种基于聊天机器人调解的协作支持机制。WePilot通过智能化的解决方案查找模块、操作引导模块和反馈模块，结合逐步指导和一键式操作模式，弥合了老年人与年轻家庭成员在支持时间、指导粒度和知识水平上的差距。实验结果表明，WePilot显著降低了双方的支持负担，提升了老年人的操作准确性和学习信心，同时促进了代际情感联结。研究不仅验证了聊天机器人在远程技术支持中的潜力，也为设计智能化、老年友好的技术支持系统提供了新视角，推动了AI在老年学和人机交互领域的跨学科应用。
会议简介
The ACM Conference on Computer-Supported Cooperative Work and Social Computing (CSCW) 会议是人机交互与普适计算方向的权威国际学术会议（CCF A类推荐国际会议），涵盖了计算机网络与通信技术、多媒体技术、社会学、心理学、管理科学等多门学科的综合应用，在人机交互领域享有很高的学术声誉。该会议计划于2025年10月18日至10月22日在挪威卑尔根召开。
论文简介
WePilot：整合年轻家庭成员与聊天机器人以支持老年人学习智能手机使用
文章已申请在arxiv预发布，预计2025年8月12日后可查看。
随着智能手机在全球范围的普及，越来越多的老年人开始尝试使用这类设备以满足沟通、娱乐乃至日常生活管理的需求。然而，在实际使用过程中，老年人常常面临诸多挑战：一方面，他们普遍缺乏系统的信息技术使用经验，另一方面，认知与记忆能力的自然衰退也使得诸如网购、打车、缴费等任务变得复杂且易出错。尽管目前已有大量研究和产品致力于帮助老年人独立完成智能手机操作，例如各类视频教程、操作引导系统等，但这些方法往往忽视了“社会支持”在老年人学习过程中的重要作用。
我们注意到，在实际生活中，老年人倾向于向子女或其他年轻家庭成员寻求帮助，尤其是在面对具体问题或突发状况时。这种由家庭成员提供的帮助方式，不仅有助于提升操作效率与个性化解决方案的适配程度，还在无形中保障了老年人在网络环境中的安全与隐私。然而，这种“代际支持”模式本身也并非毫无问题。一方面，年轻家庭成员（YFMs）在时间与精力上的限制，使得他们往往难以及时、持续地为老年人提供高质量帮助；另一方面，在解释过程中，YFMs可能面临知识盲区或沟通障碍，尤其当他们尝试用技术性语言向老年人解释复杂概念时，效果适得其反。
基于上述问题，我们提出一个关键问题：在保持代际情感联结的同时，能否通过技术手段缓解老年人寻求帮助时所面临的困难，以及年轻家庭成员所承受的负担？我们认为，聊天机器人（Chatbot）技术在其中展现出巨大的潜力。相比传统教程，聊天机器人具备即时响应、自然语言交互、知识覆盖面广等特点，不仅能协助老年人解决问题，还能在关键时刻“代替”YFMs做出响应，从而更好地平衡效率与情感联系。
为此，我们开展了一项系统性的研究，旨在探索如何将聊天机器人合理嵌入老年人与年轻家庭成员之间的技术支持互动中，从而提升协作效率、缓解代际矛盾，并构建一个更加可持续、低负担、高情感价值的帮助机制。
用户研究
为了指导我们的设计过程，我们进行了一项形成性研究，以调查老年用户（Older Adults, OA）在使用智能手机过程中面临的困难，以及年轻家庭成员（Younger Family Members, YFM）在远程支持中遇到的行为模式、限制与期待。我们总结出以下三项关键发现，并据此明确了四个系统设计目标：
-
关键发现一：帮助行为的决策过程受多因素影响
YFM 是否提供帮助，常取决于问题是否超出其知识边界、当前是否有充足时间，以及问题类型（操作类 vs. 配置类）等因素。例如，面对一次性设置的配置类问题，YFM 通常只提供简洁的操作指令；而对于操作类问题，则倾向通过解释协助 OA 建立理解，避免重复求助。
-
关键发现二：现有协作模型中存在认知、时间与能力的错位
我们发现，OA 与 YFM 在实际协作中面临三个维度的错位问题：
（1）时间错位：YFM 由于日常工作或学习安排，难以及时响应 OA 的帮助请求；
（2）理解错位：YFM 使用的术语、操作逻辑难以被 OA 理解，导致执行偏差和反复操作；
（3）能力错位：YFM 并不总能掌握 OA 所遇问题的全部内容，特别是面对一些陌生软件或特定场景时，其也需要额外搜索或学习。
-
关键发现三：OA 与 YFM 在支持偏好上存在潜在冲突
OA 倾向获取详尽、易懂且具有反馈机制的帮助方式，而 YFM 更关注解决效率和时间投入控制。在“帮助完成任务”与“引导学习能力提升”之间，OA 与 YFM 的预期并不总是一致。例如，YFM 倾向快速给出操作路径，而 OA 更希望理解背后逻辑。
基于上述分析，我们提出以下四个设计目标，作为系统设计的指导原则：
DS1：在增强 OA 支持体验的同时降低 YFM 的认知与时间负担
DS2：提供灵活的引导方式与实时反馈机制以改善 OA 的操作体验
DS3：拓展 YFM 对问题的响应能力，减少重复支持的工作量
DS4：维持 OA 与 YFM 的参与度与控制感，强调系统的辅助角色而非替代角色
系统设计
为回应用户研究中揭示的代际间支持矛盾，我们设计并实现了一个基于聊天机器人中介机制的原型系统——WePilot。系统整体由三个核心模块组成：解决方案获取模块（Solution Finding）、操作引导模块（Operation Guiding）和状态反馈模块（Feedback），分别面向“寻找方案”、“完成指导”与“支持感知”三个关键阶段进行优化。
1. 解决方案获取模块
该模块旨在帮助 YFM 更高效地为 OA 提供问题解决方案。系统支持两种模式：当 YFM 对问题熟悉时，可通过自然语言或教程链接快速输入方案（YFM-lead）；当 YFM 不熟悉时，可由系统基于关键词搜索并生成候选方案，由 YFM进行审阅确认（Agent-lead）。同时，系统构建了一个“功能库”，将已确认的操作路径结构化存储，并支持后续方案的快速复用，以降低重复劳动。
2. 操作引导模块
在 OA 接收方案后，系统提供两种灵活的引导方式：逐步式指导（Step-by-step）和一键式执行（One-click-go）。逐步式指导通过语音提示、界面高亮、即时反馈等手段，引导 OA 完成操作并提供必要的术语解释，强调学习过程；一键式执行则自动完成除隐私相关步骤以外的大部分操作，适用于一次性配置类任务，强调效率与简化。
3. 状态反馈模块
该模块用于将 OA 的操作过程与学习状态反馈给 YFM，确保 YFM 即便未实时参与，也能掌握 OA 的操作进展与困难点。反馈内容包括任务完成时间、点击正确率、尝试次数等数据，并以可视化方式呈现。该机制有助于维持 YFM 对整个协作过程的参与感与控制感，防止“脱节式协助”。
总结
我们在社区场景下对 WePilot 系统进行了用户评估，共招募了 12 对具有实际支持经历的 OA–YFM 配对。实验采用任务模拟的方式，对比 WePilot 与传统远程电话指导在支持效率与用户体验方面的表现。评价内容涵盖操作准确率、解释质量、完成效率，以及主观满意度等多个维度。
结果表明，WePilot 在多个关键指标上表现出显著优势。操作准确率达到 93.8%，由聊天机器人生成的解释在准确性和合理性上均获得较高评分，平均达到 4.9 分（满分 5 分）和 4.06 分。系统还显著减少了 YFM 的时间成本，在部分场景中较传统方式减少约 42%。同时，YFM 的支持意愿在使用 WePilot 后显著提升，表明系统对缓解其时间压力和认知负担具有积极作用。
定性访谈进一步揭示，OA 认为系统提供的交互方式更为直观易懂，尤其在术语解释与错误反馈方面显著优于传统支持；而 YFM 则强调系统能够在他们无法及时响应时，作为一种“可靠的中介”维持对支持过程的掌控感。
总结
本研究围绕“如何提升老年人智能手机使用过程中的远程家庭支持体验”这一问题，系统性地揭示了现有协作模式中的核心冲突与潜在需求。我们通过形成性研究识别出多维度的错位问题，并提出四项设计目标以指导系统设计。基于此，我们构建并实现了 WePilot ——一个以聊天机器人为中介、结合人机协作机制的支持系统。实证评估结果验证了其在提高问题解决效率、减轻支持者负担、增强使用者体验等方面的有效性。WePilot 的提出不仅为当前代际技术支持场景提供了一种可行的替代机制，也为未来人机协同在跨代协作场景中的应用设计提供了参考。我们期待这一探索能为更具包容性、韧性与情感价值的数字助老方案提供新思路。
如果您对本文内容感兴趣，可与通讯作者联系: zhangpeng_@fudan.edu.cn
实验室相关论文
[1] Yubo Shu, Haonan Zhang, Hansu Gu, Peng Zhang, Tun Lu, Dongsheng Li, and Ning Gu. RAH! RecSys–Assistant–Human: A Human-Centered Recommendation Framework With LLM Agents. IEEE Transactions on Computational Social Systems (2024).
[2] Yaqiong Li, Peng Zhang, Hansu Gu, Tun Lu, Siyuan Qiao, Yubo Shu, Yiyang Shao, Ning Gu. DeMod: A Holistic Tool with Explainable Detection and Personalized Modification for Toxicity Censorship. In Proceedings of the ACM on Human-Computer Interaction, 2025.
[3] Wenxin Zhao, Fangyu Yu, Peng Zhang, Hansu Gu, Lin Wang, Siyuan Qiao, Tun Lu, and Ning Gu. 2025. YouthCare: Building a Personalized Collaborative Video Censorship Tool to Support Parent-Child Joint Media Engagement. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, 2025.
[4] Xuechen Zhang, Changyang He, Peng Zhang, Hansu Gu, Ning Gu, Qi Shen, Zhan Hu, and Tun Lu. 2025. RemiHaven: Integrating "In-Town" and "Out-of-Town" Peers to Provide Personalized Reminiscence Support for Older Drifters. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, 2025.
如果您对我们实验室的相关工作感兴趣，欢迎访问我们的网站：
协同信息与系统（CISL）实验室
实验室网站主页：https://cscw.fudan.edu.cn/
实验室Github主页：https://github.com/FudanCISL
评论 0