💻 computer science

Think Thrice Before You Speak: Dual knowledge-enhanced Theory-of-Mind Reasoning for Persuasive Agents

Ce papier introduit la tâche ToM-PD et le jeu de données ToM-BPD pour remédier aux limites du raisonnement sur la théorie de l'esprit des LLM existants, en proposant le cadre « Réfléchis trois fois avant de parler » (TTBYS) qui exploite une double connaissance pour surpasser nettement GPT-5 dans la prédiction des désirs, des croyances et des stratégies persuasives.

Auteurs originaux : Minghui Ma, Bin Guo, Runze Yang, Mengqi Chen, Yan Liu, Jingqi Liu, Yahan Pei, Xuehao Ma, Qiuyun Zhang, Zhiwen Yu

Publié 2026-05-22

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Minghui Ma, Bin Guo, Runze Yang, Mengqi Chen, Yan Liu, Jingqi Liu, Yahan Pei, Xuehao Ma, Qiuyun Zhang, Zhiwen Yu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de convaincre un ami d'essayer un nouveau passe-temps, comme rejoindre une salle de sport ou faire du bénévolat. Pour être vraiment persuasif, vous ne pouvez pas simplement crier vos arguments ; vous devez comprendre pourquoi ils sont hésitants. Vous devez deviner ce qu'ils pensent (leurs croyances), ce qu'ils veulent (leurs désirs) et ce qu'ils prévoient de faire (leurs intentions). En psychologie, ce super-pouvoir de deviner ce qui se passe dans la tête de quelqu'un d'autre s'appelle la Théorie de l'Esprit.

Ce papier soutient que, bien que l'IA moderne (les grands modèles de langage) soit excellente pour parler, elle est souvent terrible dans cette « lecture des pensées ». Elle a tendance à deviner vos sentiments au hasard ou à traiter vos pensées comme des faits sans lien, ce qui conduit à des conversations maladroites ou inefficaces.

Voici une décomposition simple de ce que les chercheurs ont fait pour résoudre ce problème :

1. Le Problème : La Devine « Une Fois pour Toutes »

L'IA actuelle tente de deviner votre état mental en un seul grand bond. C'est comme essayer de résoudre un problème mathématique complexe en devinant la réponse sans montrer votre travail. Parce qu'elle manque d'une compréhension profonde de la façon dont les pensées humaines sont connectées (par exemple, « Je crois qu'il pleut » mène à « Je désire un parapluie »), ses devinettes sont souvent fragiles et incohérentes.

2. La Solution : « Réfléchis Trois Fois Avant de Parler » (TTBYS)

Les auteurs ont créé un nouveau système appelé TTBYS. Le nom vient du vieux dicton : « Réfléchis trois fois avant de parler ». Au lieu de tout deviner d'un coup, l'IA est contrainte de faire une pause et de raisonner à travers trois étapes distinctes, comme un détective résolvant une affaire :

Étape 1 : La Vérification de l'Intuition (Première Réflexion)
L'IA regarde ce que vous avez dit et se demande : « D'après des situations similaires que j'ai vues auparavant, cette personne est-elle disposée, hésitante ou réticente ? » Elle ne devine pas simplement ; elle consulte une « banque de mémoire » de conversations passées pour voir comment les gens réagissent généralement dans des situations similaires.
Étape 2 : La Collecte de Preuves (Deuxième Réflexion)
Une fois qu'elle a un pressentiment sur votre désir, elle se demande : « Quelles croyances spécifiques causent cela ? » Elle fouille à nouveau sa mémoire pour trouver des exemples de pourquoi les gens détiennent ces croyances. Cela l'aide à construire une explication logique de vos sentiments, plutôt qu'une simple devinette aléatoire.
Étape 3 : La Stratégie (Troisième Réflexion)
Maintenant qu'elle comprend votre désir et vos croyances, elle se demande : « Quelle est la meilleure façon de parler à cette personne ? » Elle choisit une tactique de persuasion spécifique (comme raconter une histoire, donner des faits ou montrer de l'empathie) qui correspond à votre état mental actuel.

3. Le Terrain d'Entraînement : Une Massive Bibliothèque de « Lecture des Pensées »

Pour enseigner à l'IA comment faire cela, les chercheurs ont construit un énorme nouveau jeu de données appelé ToM-BPD. Imaginez une bibliothèque remplie de milliers de conversations enregistrées où chaque phrase est annotée avec une « étiquette d'état mental ».

Ils n'ont pas seulement enregistré ce qui a été dit ; ils ont étiqueté exactement ce que la personne voulait, ce qu'elle croyait et quelle stratégie l'autre personne a utilisée.
Cela a donné à l'IA une immense « banque d'expérience » à laquelle puiser, similaire à la façon dont un humain apprend à partir d'années d'interactions sociales.

4. Les Résultats : Un Parleur Plus Intelligent et Plus Humain

Les chercheurs ont testé ce nouveau système contre certains des modèles d'IA les plus intelligents disponibles (y compris GPT-5).

Le Résultat : Le nouveau système, même lorsqu'il fonctionne sur une puce informatique plus petite et moins coûteuse (Qwen-3-8B), a battu les modèles massifs GPT-5.
La Différence : Le nouvel IA était bien meilleur pour prédire ce qu'une personne voulait et pourquoi elle se sentait ainsi. Elle était aussi plus cohérente ; elle ne se contredisait pas aussi souvent.
Parole Réelle : Lors de tests en direct où des humains discutaient avec l'IA, le nouveau système était meilleur pour identifier les inquiétudes cachées de l'humain et les convaincre réellement de changer d'avis, rendant la conversation plus naturelle et empathique.

La Conclusion

L'article affirme qu'en forçant l'IA à « réfléchir par étapes » et en lui donnant une bibliothèque d'expériences humaines passées pour apprendre, nous pouvons construire des agents persuasifs qui ne font pas seulement semblant d'être intelligents, mais qui comprennent réellement les gens. Ils passent d'une « machine à deviner » à un « partenaire de raisonnement » capable de naviguer dans le réseau complexe des croyances et des désirs humains.

Résumé Technique : Réfléchir Trois Fois Avant de Parler (TTBYS)

1. Définition du Problème

Les systèmes de dialogue persuasifs nécessitent la capacité d'inférer et de raisonner sur les états mentaux latents d'un utilisateur, une compétence connue sous le nom de Théorie de l'Esprit (ToM). Bien que les Grands Modèles de Langage (LLM) aient progressé dans ce domaine, les approches existantes reposent souvent sur des stratégies d'incitation simples et manquent de connaissances ToM suffisantes. Par conséquent, elles échouent fréquemment à capturer les dépendances intrinsèques entre les états mentaux (Croyances, Désirs et Intentions), ce qui entraîne des représentations fragmentées et un raisonnement instable lors d'interactions multi-tours.

Les benchmarks actuels (par exemple, NegotiationToM, ToMATO, PersuasiveToM) indiquent que les LLM peinent à effectuer une inférence fiable des états mentaux en raison d'un manque de connaissances préalables. De plus, la plupart des méthodes existantes traitent les états mentaux comme des variables indépendantes plutôt que de modéliser leur évolution séquentielle, ce qui limite l'interprétabilité et l'efficacité à long terme dans des scénarios persuasifs complexes.

2. Méthodologie

2.1 La Tâche ToM-PD et le Cadre BDI

Les auteurs formalisent la tâche de Dialogue Persuasif basé sur la ToM (ToM-PD), ancrée dans le cadre Croyance–Désir–Intention (BDI). Contrairement à l'évolution directe des états de soi (Croyance $\to$ Désir $\to$ Intention $\to$ Action), la tâche ToM-PD est modélisée comme un processus d'inférence inverse et itératif. L'agent observe les énoncés externes du persuadé et doit inférer itérativement :

Intention ( $i_t$ ) : L'objectif immédiat de l'énoncé.
Désir ( $d_t$ ) : L'attitude de l'utilisateur envers la cible de la persuasion (modélisée comme -1 : réticent, 0 : hésitant, 1 : disposé).
Croyance ( $b_t$ ) : Les points de vue ou préoccupations sous-jacents qui motivent le désir.
Stratégie ( $s_t$ ) : La réponse persuasive optimale basée sur les états inférés.

2.2 Le Cadre TTBYS

Pour répondre aux défis de l'instabilité et du manque de connaissances, l'article propose Réfléchir Trois Fois Avant de Parler (TTBYS), un cadre de raisonnement itératif enrichi par les connaissances. TTBYS exploite à la fois des expériences explicites et implicites pour guider les LLM à travers trois étapes de raisonnement distinctes :

Première Réflexion (Inférence du Désir) :
- Le dialogue actuel est résumé en une intention de haut niveau ( $i$ ).
- Ce résumé est utilisé pour récupérer les $N$ expériences historiques sémantiquement les plus similaires depuis une base de connaissances.
- Une distribution de probabilité des désirs est construite à partir des expériences récupérées ( $P_{ex}$ ).
- Celle-ci est fusionnée linéairement avec la distribution de probabilité intuitive du LLM ( $P_{ag}$ ) pour déterminer la prédiction finale du désir : $d^*_t = \arg \max (\alpha \cdot P_{ag} + (1-\alpha) \cdot P_{ex})$ .
Deuxième Réflexion (Inférence de la Croyance) :
- En utilisant le désir inféré ( $d^*$ ) et le résumé du dialogue, le système récupère des expériences pertinentes contenant des informations sur les croyances.
- Ces expériences récupérées sont injectées directement dans le contexte du LLM en tant que connaissances explicites.
- Le LLM génère la description de la croyance ( $b^*$ ) conditionnée par le dialogue, le désir inféré et les exemples récupérés.
Troisième Réflexion (Prédiction de la Stratégie) :
- Le système effectue une récupération conjointe en utilisant le résumé du dialogue et la croyance inférée.
- À l'instar de la Première Réflexion, une distribution de stratégie pilotée par l'expérience est fusionnée avec la distribution du LLM en utilisant un coefficient $\beta$ pour sélectionner la stratégie optimale.

2.3 Le Jeu de Données ToM-BPD

Pour faciliter la recherche, les auteurs ont construit Dialogues Persuasifs Étendus basés sur la ToM (ToM-BPD), un jeu de données annoté à grande échelle dérivé du benchmark PersuasiveToM.

Annotations : Comprend des étiquettes fines pour le désir du persuadé (valeurs discrètes -1, 0, 1) et sa croyance (énoncés en langage naturel), ainsi que la stratégie du persuasif.
Taxonomie : Les stratégies sont catégorisées en trois groupes (Socio-émotionnel, Cognitif, Interactif) et neuf techniques fines basées sur le Modèle de Probabilité d'Élaboration (ELM) et l'Entretien Motivationnel.
Contrôle Qualité : Le jeu de données a fait l'objet d'une annotation rigoureuse avec pré-annotation semi-automatique, vérification humaine en plusieurs tours et tests de qualification pour les annotateurs.

3. Contributions Clés

Formulation de la Tâche : Introduction de la tâche ToM-PD, qui modélise explicitement les dépendances séquentielles entre les états mentaux (Intention, Désir, Croyance) pour améliorer l'interprétabilité.
Proposition de Cadre : Développement de TTBYS, un cadre enrichi par les connaissances qui intègre des expériences ToM structurées pour améliorer la robustesse et la cohérence du raisonnement des LLM dans les dialogues persuasifs.
Construction de Jeu de Données : Publication de ToM-BPD, un jeu de données multi-domaines avec des annotations fines des états mentaux, validé par des expériences extensives et des études de cas.

4. Résultats Expérimentaux

Les auteurs ont évalué TTBYS sur six LLM de pointe (incluant LLaMA-3.1-8B, Qwen-3-8B, Mixtral-7B, et des modèles à source fermée comme GPT-5 et Gemini-3-Pro).

Évaluation Statique :
- Performance : Qwen-3-8B équipé de TTBYS a surpassé GPT-5 de 1,20 % dans la prédiction du désir, 22,80 % dans la prédiction de la croyance et 16,97 % dans la prédiction de la stratégie.
- Comparaison : TTBYS a constamment surpassé l'incitation zero-shot vanilla, la Chaîne de Pensée (CoT) et d'autres bases de référence améliorées par la ToM (Hypothetical Minds, Metamind) sur tous les backbones open-source.
- Ablation : L'étude a confirmé qu'une fusion équilibrée des signaux basés sur l'expérience et ceux basés sur le LLM (via les coefficients $\alpha$ et $\beta$ ) produit des résultats optimaux. L'augmentation de la quantité d'expériences récupérées a généralement amélioré les performances, en particulier lors des étapes de Première et Troisième Réflexion.
Évaluation Interactive :
- Des interactions simulées dans des scénarios d'achat de produits, d'activités communautaires et de dialogue empathique ont montré que TTBYS (utilisant Qwen-3-8B) surpassait significativement les bases de référence GPT-5 en termes d'Identification (révélation des états mentaux) et d'efficacité de Persuasion.
- Bien que GPT-5+CoT ait montré une cohérence légèrement supérieure, TTBYS a démontré une capacité supérieure à adapter les stratégies sur la base d'une inférence précise des états mentaux.
Études de Cas :
- L'analyse qualitative a démontré que TTBYS pouvait capturer des croyances nuancées (par exemple, l'incertitude quant à la pertinence de la vie privée en ligne pour la revitalisation rurale) que les modèles de base manquaient, conduisant à des prédictions de désir plus précises et à une sélection de stratégie appropriée.

5. Signification et Revendications

L'article revendique que TTBYS fait progresser significativement l'état de l'art dans le dialogue persuasif piloté par la ToM en :

Améliorant l'Interprétabilité : En décomposant le processus de persuasion en étapes explicites (Désir $\to$ Croyance $\to$ Stratégie) et en utilisant un raisonnement structuré, la prise de décision du système devient plus transparente et traçable.
Améliorant la Robustesse : L'intégration d'expériences préalables atténue l'instabilité des LLM dans l'inférence d'états mentaux latents, permettant à des modèles open-source plus petits de rivaliser ou de surpasser des modèles à source fermée plus grands.
Fournissant une Fondation : La tâche ToM-PD et le jeu de données ToM-BPD offrent un benchmark standardisé pour les recherches futures sur la modélisation des états mentaux dynamiques dans les interactions sociales.

Les auteurs reconnaissent les limites, notant que la taille du jeu de données est relativement petite et que l'approche n'a pas encore été validée dans un système persuasif réel entièrement déployé. Ils soulignent que, bien que le cadre soit conçu pour des applications pro-sociales, des garde-fous sont nécessaires pour prévenir tout usage abusif dans des contextes manipulateurs.