인간-AI 의사소통에서 공유 목표 설정은 기본 단계이지만, 모호성은 의도와 다른 결과를 초래할 수 있다. 이 논문에서는 데이터 시각화 도메인에서 자연어의 모호성이 데이터 시각화 코드를 생성하는 데 미치는 영향을 연구한다. 컨텍스트에 대한 다양한 관점 (예: 의도된 플롯 및 플롯을 렌더링하는 코드)을 통해 다양한 유형의 모호성을 포괄적으로 분석한다. 이 연구에서는 모호성 유형의 분류법을 개발하고 이를 정량화하는 메트릭을 제안한다. DS-1000 데이터 세트의 Matplotlib 문제를 사용하여, 제안된 모호성 메트릭이 불확실성 기반보다 인간 주석과 더 잘 상관관계가 있음을 입증한다. 또한, 멀티 턴 대화가 모호성을 줄여 코드 정확도를 향상시키는 방법을 탐구한다. Gricean Cooperativity, Discourse Representation Theory, Questions under Discussion의 세 가지 실용적 모델을 평가하여 대화 전략을 수립한다. 시뮬레이션된 사용자 연구는 실용적인 대화가 모호성을 줄이고 코드 정확도를 향상시키는 방식을 보여주며, 코드 생성에서 멀티 턴 교환의 가치를 강조한다.
