💬 NLP

On the Structure of Address in Multi-Party Dialogue: From Discrete Labels to Continuous Levels

Cet article remet en question la vision traditionnelle de la détection de l'allocutaire en tant que tâche de classification discrète en proposant un cadre continu qui capture mieux la nature graduée de l'adresse et démontre son pouvoir prédictif supérieur pour la prise de parole et les comportements d'écoute tels que le regard et les rétroactions.

Auteurs originaux : Taiga Mori, Koji Inoue, Divesh Lala, Tatsuya Kawahara

Publié 2026-07-20

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Taiga Mori, Koji Inoue, Divesh Lala, Tatsuya Kawahara

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 entriez dans un café animé où trois amis discutent avec un robot très poli, mais légèrement confus. Dans le monde de l'informatique, plus précisément dans un domaine appelé « Traitement du Langage Naturel », les chercheurs essaient d'apprendre aux machines à comprendre la conversation humaine. L'un des casse-têtes les plus difficiles auxquels ils sont confrontés est de déterminer à qui une personne s'adresse. Parle-t-elle au robot ? À son ami sur la gauche ? À son ami sur la droite ? Ou s'adresse-t-elle au groupe entier à la fois ?

Pendant longtemps, les scientifiques ont traité cela comme un simple jeu de « Choisir un seul ». Ils supposaient que chaque phrase devait être destinée à une seule cible précise, comme si l'on lançait un ballon qui ne peut atterrir que dans un panier spécifique. Si vous parliez à tout le groupe, l'ordinateur devait simplement choisir une étiquette. Mais cela ressemble un peu à essayer de décrire un coucher de soleil en utilisant uniquement les mots « orange » ou « bleu ». Les vraies conversations sont désordonnées, fluides et donnent souvent l'impression d'être envoyées à plusieurs personnes avec des intensités différentes. Comprendre à qui l'on parle est crucial car cela aide les ordinateurs à savoir quand intervenir pour parler, ou quand se contenter d'écouter et de hocher la tête. Si un robot pense que vous parlez à votre ami alors que vous lui posez une question, il pourrait rester silencieux alors qu'il devrait répondre, ou pire, interrompre votre ami.

C'est ce qui a amené une nouvelle étude de Taiga Mori et de son équipe de l'Université de Kyoto. Ils ont décidé de ne plus traiter le « à qui l'on s'adresse » comme un simple interrupteur marche/arrêt, mais de commencer à le voir comme un variateur de lumière. Au lieu de demander : « Est-ce que cette phrase est pour la Personne A ou non ? », ils ont demandé : « À quel point cette phrase est-elle pour la Personne A, et à quel point est-elle pour la Personne B ? »

Pour trouver la réponse, les chercheurs ont écouté 36 conversations enregistrées entre des groupes de trois amis japonais. Ils n'ont pas seulement demandé à une personne de deviner à qui l'on s'adressait ; ils ont fait écouter chaque phrase à trois personnes différentes et leur ont demandé de noter leurs suppositions. Ils ont constaté que les devins divergeaient souvent. Parfois, une personne pensait qu'une phrase était destinée à tout le groupe, tandis qu'une autre pensait qu'elle ne s'adressait qu'à un seul ami. L'ancienne méthode aurait qualifié cela de « bruit » ou d'erreur. Mais les chercheurs soupçonnaient que ce désaccord n'était pas une erreur ; c'était en réalité un indice que le sentiment d'être « interpellé » est naturellement flou et continu.

Ils ont donc construit un modèle mathématique spécial pour transformer ces devinettes humaines floues en un « niveau d'adresse continu ». Imaginez un curseur qui va de 0 à 1. Si quelqu'un vous parle directement, le curseur est à 1,0. Si on vous ignore, il est à 0,0. Mais que se passe-t-il si quelqu'un vous parle principalement à vous, mais inclut aussi un peu votre ami ? Le curseur pourrait se situer à 0,7. Ce nouveau système de « curseur » leur a permis de mesurer la force de la connexion entre le locuteur et chaque auditeur.

Ensuite, ils ont testé si cette idée de « curseur » fonctionnait mieux que les anciennes étiquettes « oui/non ». Ils ont observé trois choses : qui parlait ensuite, où les auditeurs regardaient, et la fréquence des petits sons comme « euh-huh » ou « ouais » (appelés rétroactions ou backchannels).

Les résultats étaient très clairs. Lorsqu'ils ont essayé de prédire qui parlerait ensuite, le modèle utilisant le « curseur » (niveaux continus) était bien meilleur pour deviner que le modèle utilisant les simples étiquettes « oui/non ». Il s'avère que même si un auditeur n'est pas la cible principale d'une phrase, s'il est adressé partiellement, il est plus susceptible d'intervenir pour parler. L'ancien système « oui/non » manquait ces occasions subtiles de prendre la parole.

La même chose s'est produite pour le contact visuel. L'étude a montré que plus un auditeur se sentait interpellé (plus le curseur était élevé), plus il regardait le locuteur. Mais ce n'était pas un simple interruplement où l'on regarde ou non ; la quantité de contact visuel changeait graduellement, comme un bouton de volume que l'on tourne, suivant l'intensité de l'adresse.

Enfin, ils ont examiné ces petits sons de type « euh-huh ». Là encore, le modèle du « curseur » a été plus performant pour prédire ces réactions. Plus un auditeur se sentait inclus dans la conversation, plus il avait tendance à produire ces sons de soutien. Cependant, l'amélioration ici n'était pas aussi spectaculaire que pour la parole ou le contact visuel, suggérant que, bien que le fait d'être interpellé soit important, d'autres facteurs influencent également le fait de produire un son.

Les auteurs suggèrent que cela signifie que nous devons repenser la façon dont nous construisons les robots de conversation. Au lieu de forcer un ordinateur à décider : « Je parle à la Personne A », il devrait être capable de dire : « Je parle principalement à la Personne A, mais aussi un peu à la Personne B ». Cette vision continue capture bien mieux la réalité désordonnée et magnifique de la discussion humaine que les cases rigides que nous utilisions auparavant. Cela suggère que, dans une conversation de groupe, un locuteur ne choisit pas seulement une personne à qui parler ; il distribue son attention comme un projecteur qui peut briller intensément sur une personne, faiblement sur une autre, ou éclairer toute la pièce à la fois.

Résumé Technique : Sur la structure de l'adressage dans le dialogue multipartite

Énoncé du problème
Dans les dialogues multipartites impliquant un système et plusieurs utilisateurs, l'identification de l'allocutaire d'un énoncé constitue un défi fondamental. Les recherches antérieures ont principalement traité la détection de l'allocutaire comme un problème de classification multiclasse discrète, sélectionnant une étiquette unique représentant un participant individuel ou le groupe. Cette formulation repose sur l'hypothèse que l'adressage est intrinsèquement discret et qu'il est principalement utilisé pour prédire la prise de parole (turn-taking). Cependant, cette approche traite souvent le désaccord entre annotateurs comme une simple erreur et modélise l'adressage comme un phénomène isolé, négligeant sa relation potentielle avec les comportements des auditeurs, tels que le regard et les rétroactions (backchannels). Cet article remet en question l'hypothèse d'un adressage discret, proposant au contraire que l'adressage puisse être un phénomène continu et gradué.

Méthodologie
L'étude utilise le corpus Teidan, un ensemble de données de 36 discussions informelles japonaises entre des triades (trois participants). Les données incluent des annotations manuelles pour les tours de parole, les rétroactions et le regard des auditeurs.

Construction des données :
- Étiquettes discrètes : Les auteurs ont construit des « étiquettes d'adressage » binaires pour chaque auditeur lors d'un tour, basées sur un vote majoritaire de trois annotateurs effectuant des jugements catégoriels (ex. : adressé à A, B, C, Tout le monde, Aucun).
- Niveaux continus : Pour capturer l'ambiguïté et la structure graduée, les auteurs ont inféré des « niveaux d'adressage » en utilisant un modèle à variables latentes. Ce modèle traite l'adressivité comme une variable latente continue ( $\theta$ ) contrainte à l'intervalle unité. Les étiquettes des annotateurs ont été modélées comme des observations catégorielles générées à partir d'un vecteur d'adressivité latente, où des étiquettes spécifiques correspondent à des points idéaux dans un espace bidimensionnel (ex. : « Tout le monde » correspond à $(1,1)$ , « Aucun » à $(0,0)$ ). Le modèle prend en compte le biais des annotateurs et utilise l'échantillonnage bayésien (via cmdstanr) pour estimer les médianes postérieures des valeurs d'adressivité latente.
Modélisation et analyse :
L'étude a examiné la relation entre ces deux représentations (étiquettes discrètes vs niveaux continus) et trois comportements observables :
- Prise de parole (Turn-taking) : Si un auditeur devient le prochain locuteur.
- Regard (Gaze) : La proportion de temps qu'un auditeur regarde le locuteur actuel.
- Rétroactions (Backchannels) : Le nombre d'énoncés réactifs (ex. : « oui », « euh hmm ») produits par un auditeur.
Des modèles linéaires mixtes généralisés ont été ajustés à l'aide de brms (échantillonnage bayésien) pour prédire ces comportements. Les effets fixes étaient soit l'étiquette d'adressage discrète, soit le niveau d'adressage continu, avec des intercepts aléatoires pour le tour, la session, le locuteur et l'auditeur. La performance des modèles a été comparée en utilisant la densité de prédiction logarithmique attendue (ELPD) via une validation croisée de type leave-one-out.

Principales contributions

Reformulation empirique : L'étude fournit des preuves empiriques que la modélisation de l'allocutaire doit être reformulée, passant d'un problème de classification discrète à un problème d'estimation continue, reconnaissant que l'ambiguïté dans l'annotation reflète les propriétés inhérentes de l'acte d'adressage plutôt que de simples bruits.
Opérationnalisation du niveau d'adressage : Les auteurs proposent une méthode pour inférer des représentations continues par participant de l'adressivité à partir d'annotations catégorielles en utilisant un modèle à variables latentes.
Corrélation comportementale : L'étude démontre que ces mesures continues sont corrélées avec des comportements d'auditeurs observables (regard et rétroactions), validant ainsi leur statut de représentations de la structure interactionnelle.

Résultats

Ajustement prédictif : Pour les trois tâches (sélection du prochain locuteur, regard et production de rétroactions), les modèles utilisant des niveaux d'adressage continus ont obtenu un meilleur ajustement prédictif (ELPD plus élevé) que ceux utilisant des étiquettes d'adressage discrètes.
- Pour la sélection du prochain locuteur, le modèle continu a montré une amélioration substantielle ( $\Delta$ ELPD = 14,4).
- Pour le regard de l'auditeur, l'amélioration est encore plus prononcée ( $\Delta$ ELPD = 39,2).
- Pour les rétroactions, le modèle continu a également surpassé le modèle discret, bien que la marge soit plus faible, suggérant que les rétroactions sont influencées par des facteurs supplémentaires au-delà de l'adressivité.
Associations comportementales : Les deux mesures, discrètes et continues, ont montré des associations positives avec les comportements cibles (une adressivité plus élevée est corrélée à une probabilité plus forte de devenir le prochain locuteur, une durée de regard plus longue et plus de rétroactions). Cependant, la représentation continue a capturé plus efficacement la nature graduée de ces relations. Par exemple, des auditeurs catégorisés comme « non adressés » dans un cadre discret pouvaient tout de même présenter un regard soutenu ou devenir le prochain locuteur, une nuance capturée par les niveaux continus.
Analyse qualitative : Une étude de cas d'un extrait de dialogue a illustré qu'un énoncé peut fonctionner comme une réponse à plusieurs participants simultanément (ex. : répondre à une question de l'un tout en s'adressant à une présupposition de l'autre), soutenant l'existence d'une adressivité partielle ou graduée que les étiquettes discrètes ne parviennent pas à saisir.

Signification et implications
L'article soutient que le cadre conventionnel agrégeant les annotations en une seule étiquette simplifie excessivement l'acte d'adressage. En préservant la variation et en représentant l'adressage de manière continue, les chercheurs peuvent atteindre une meilleure adéquation descriptive et une utilité pratique accrue pour les systèmes de dialogue.

Scalabilité : Un cadre estimant les niveaux d'adressage par participant est moins dépendant du nombre spécifique de participants, ce qui peut soutenir des conceptions de modèles plus évolutives par rapport à la classification par catégories fixes.
Inférence en ligne : Le lien étroit entre l'adressage et les comportements de l'auditeur pendant le tour d'un locuteur suggère que la prédiction de l'adressage ne doit pas être traitée uniquement comme une tâche post-hoc à la fin du tour. Au contraire, elle devrait être inférée en ligne, en modélisant conjointement le regard de l'auditeur, les rétroactions et la prise de parole.
Changement théorique : En reconsidérant le modèle de prise de parole de Sacks et al. (1974), les résultats suggèrent que les locuteurs ne sélectionnent pas simplement un prochain locuteur discret, mais distribuent continûment des degrés d'adressivité entre les participants en utilisant des ressources multimodales.

Les auteurs notent des limites, notamment la restriction aux discussions triadiques japonaises et le recours aux médianes postérieures plutôt qu'à l'incertitude postérieure complète pour les analyses comportementales. Ils concluent que les travaux futurs devraient examiner la généralisabilité de ces résultats à travers différentes langues et domaines, et développer des méthodes affinées pour valider les représentations de l'adressivité continue.

Articles similaires