本研究提出ECLAIR框架，旨在解决企业AI助手中的互动消歧义问题。ECLAIR能够生成澄清问题，并根据用户的反馈消除歧义，表现优于现有技术，具有良好的应用前景。

本文研究大型语言模型在面对模糊用户请求时如何有效提出澄清问题。通过模拟对话，提出新方法以生成更合适的响应。实验结果表明，该方法使模型在提出澄清问题方面的F1得分提高了5%，从而改善了用户体验。

本文提出了一种通过用户澄清问题来解决模型歧义的框架，显著提高了模型在不确定性估计和澄清问题识别方面的性能。研究表明，优质的澄清问题能提升开放领域对话系统的信息检索效率，并介绍了新的数据集和评估方法，以促进相关研究的发展。

本文综述开放领域问答中的澄清问题与歧义处理研究，涵盖CAMBIGNQ数据集与评估指标、AmbigNQ数据集（发现NQ-open过半问题有歧义）、RePAQ检索程序、利用维基百科明确问题库提升模糊问题回答、低资源语言OpenQA系统、2016至2021年问答研究回顾（指出多轮问答已成主流）、对话问答分解方法、Qulac数据集以及波兰语MAUPQA数据集。

该文综述对话式搜索中的澄清问题研究，提出评估回答有用性的分类器，将有效问答加入对话历史并输入Transformer查询重写模块，性能显著优于非混合主动基线，并缓解低质问答导致的性能下降。相关工作总结了Qulac数据集、USi用户仿真器、MMQA多模态数据集、ClariQ框架及词汇排名分析，表明优质澄清问题能提升检索效率。