On the Structure of Address in Multi-Party Dialogue: From Discrete Labels to Continuous Levels
Dieses Paper stellt die traditionelle Sichtweise der Adressatenerkennung als diskrete Klassifikationsaufgabe infrage, indem es ein kontinuierliches Framework vorschlägt, das die abgestufte Natur der Ansprache besser erfasst, und dessen überlegene Vorhersagekraft für das Turn-Taking sowie für Zuhörerverhalten wie Blickkontakt und Backchannels demonstriert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie betreten ein belebtes Café, in dem drei Freunde sich mit einem sehr höflichen, aber etwas verwirrten Roboter unterhalten. In der Welt der Informatik, speziell in einem Bereich namens „Natural Language Processing“ (natürliche Sprachverarbeitung), versuchen Forscher, Maschinen beizubringen, menschliche Gespräche zu verstehen. Eine der schwierigsten Aufgaben, vor der sie stehen, ist herauszufinden, mit wem eine Person gerade spricht. Spricht die Person mit dem Roboter? Mit ihrem Freund links? Mit dem Freund rechts? Oder richtet sie sich an die gesamte Gruppe auf einmal?
Lange Zeit behandelten Wissenschaftler dies wie ein einfaches Spiel des „Eins-auswählens“. Sie nahmen an, dass jeder Satz genau einem Ziel gerichtet sein musste, so als würde man einen Ball werfen, der nur in einen ganz bestimmten Korb landen kann. Wenn Sie mit der ganzen Gruppe sprachen, musste der Computer einfach nur ein Label auswählen. Aber das fühlt sich ein wenig so an, als würde man versuchen, einen Sonnenuntergang nur mit den Worten „orange“ oder „blau“ zu beschreiben. Echte Gespräche sind chaotisch, fließend und fühlen sich oft so an, als würden sie an mehrere Personen mit unterschiedlicher Intensität gesendet werden. Zu verstehen, an wen man sich wendet, ist entscheidend, weil es Computern hilft zu wissen, wann sie in das Gespräch eingreifen sollen und wann sie einfach nur zuhören und nicken sollten. Wenn ein Roboter denkt, dass Sie mit Ihrem Freund sprechen, während Sie eigentlich eine Frage an ihn stellen, könnte er schweigen, wenn er eigentlich antworten sollte, oder schlimmer noch, Ihren Freund unterbrechen.
Dies führt zu einer neuen Studie von Taiga Mori und seinem Team von der Kyoto University. Sie beschlossen, die Frage „An wen wird sich gewandt?“ nicht länger als einfachen Ein/Aus-Schalter zu behandeln, sondern begannen, sie als Dimmer zu betrachten. Anstatt zu fragen: „Ist dieser Satz für Person A oder nicht?“, fragten sie: „Wie sehr ist dieser Satz für Person A und wie sehr für Person B?“
Um die Antwort zu finden, hörten die Forscher sich 36 aufgezeichnete Gespräche zwischen Gruppen von drei japanischen Freunden an. Sie fragten nicht nur eine einzige Person, um zu raten, an wen gesprochen wurde; sie ließen drei verschiedene Personen jeden einzelnen Satz hören und ihre Vermutungen aufschreiben. Sie stellten fest, dass die Ratenden oft uneinig waren. Manchmal dachte eine Person, ein Satz sei für die ganze Gruppe, während eine andere dachte, er sei nur für einen einzelnen Freund. Die alte Art der Vorgehensweise würde dies als „Rauschen“ oder Fehler bezeichnen. Aber die Forscher vermuteten, dass diese Uneinigkeit kein Fehler war; sie war tatsächlich ein Hinweis darauf, dass das Gefühl, „angesprochen zu werden“, von Natur aus vage und kontinuierlich ist.
So bauten sie ein spezielles mathematisches Modell, um diese vagen menschlichen Vermutungen in ein „kontinuierliches Adressierungsniveau“ zu verwandelt. Stellen Sie sich einen Schieberegler vor, der von 0 bis 1 geht. Wenn jemand direkt zu Ihnen spricht, steht der Schieberegler bei 1,0. Wenn er Sie ignoriert, steht er bei 0,0. Aber was ist, wenn er hauptsächlich zu Ihnen spricht, aber auch ein bisschen Ihren Freund miteinschließt? Der Schieberegler könnte bei 0,7 liegen. Dieses neue „Schieberegler“-System ermöglichte es ihnen, die Stärke der Verbindung zwischen dem Sprecher und jedem Zuhörer zu messen.
Dann testeten sie, ob diese neue „Schieberegler“-Idee besser funktionierte als die alten „Ja/Nein“-Labels. Sie untersuchten drei Dinge: Wer als Nächstes sprach, wohin die Zuhörer blickten und wie oft sie kleine Laute wie „Ah-huh“ oder „Ja“ machten (Backchannels).
Die Ergebnisse waren ziemlich eindeutig. Wenn sie versuchten vorherzusagen, wer als Nächstes sprechen würde, war das Modell, das den „Schieberegler“ (kontinuierliche Ebenen) verwendete, viel besser darin, zu raten, als das Modell mit den einfachen „Ja/Nein“-Labels. Es stellt sich heraus, dass selbst wenn ein Zuhörer nicht das Hauptziel eines Satzes ist, wenn er gewissermaßen angesprochen wird, ist er eher dazu geneigt, einzuspringen und zu sprechen. Das alte „Ja/Nein“-System übersah diese subtilen Gelegenheiten zum Sprechen.
Das Gleiche geschah beim Blickkontakt. Die Studie fand heraus, dass der Grad des Blickkontakts mit der Menge des Gefühls der Ansprache korrelierte: Je mehr ein Zuhörer das Gefühl hatte, angesprochen zu werden (je höher der Schieberegler war), desto mehr blickte er zum Sprecher. Aber es war kein einfacher Schalter, bei dem man entweder schaut oder nicht. Die Menge des Blickkontakts änderte sich graduell, wie ein Lautstärkeregler, der hochgedreht wird, passend zur Stärke der Ansprache.
Schließlich betrachteten sie diese kleinen „Ah-huh“-Laute. Auch hier war das „Schieberegler“-Modell besser darin, sie vorherzusagen. Je mehr ein Zuhörer das Gefühl hatte, miteingeschlossen zu sein, desto eher neigte er dazu, diese unterstützenden Geräusche zu machen. Die Verbesserung war hier jedoch nicht so gewaltig wie beim Sprechen oder beim Blickkontakt, was darauf hindeutet, dass zwar die Ansprache wichtig ist, aber auch andere Dinge beeinflussen, ob jemand ein Geräusch macht.
Die Autoren schlagen vor, dass dies bedeutet, dass wir die Art und Weise, wie wir Gesprächsroboter bauen, überdenken müssen. Anstatt einen Computer dazu zu zwingen, zu entscheiden: „Ich spreche mit Person A“, sollte er in der Lage sein zu sagen: „Ich spreche hauptsächlich mit Person A, aber auch ein bisschen mit Person B.“ Diese kontinuierliche Sichtweise erfasst die chaotische, schöne Realität des menschlichen Chats viel besser als die starren Boxen, die wir früher verwendeten. Es deutet darauf an, dass ein Sprecher in einem Gruppengespräch nicht nur eine Person aussucht, mit der er spricht, sondern seine Aufmerksamkeit wie einen Scheinwerfer verteilt, der hell auf eine Person leuchten, gedimmt auf eine andere scheinen oder den ganzen Raum gleichzeitig fluten kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.