The 2026 ACII Dyadic Conversations (DaiKon) Workshop & Challenge
2026 ACII डायडिक कन्वर्सेशन्स (DaiKon) वर्कशॉप और चैलेंज, दिशात्मक प्रभाव, टर्न-टेकिंग और रैपो प्रक्षेपवक्र भविष्यवाणी पर केंद्रित तीन उप-चुनौतियों के माध्यम से पारस्परिक प्रभाव और सामाजिक गतिशीलता की मॉडलिंग को उन्नत करने के लिए 945 स्वाभाविक, बहुभाषी डायडिक अंतःक्रियाओं के एक व्यापक बेंचमार्क और डेटासेट को प्रस्तुत करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि दो लोग एक-दूसरे के सामने बैठे हैं, बातचीत कर रहे हैं। वे केवल बारी-बारी से बोल नहीं रहे हैं; वे एक नृत्य कर रहे हैं। एक व्यक्ति का मज़ाक दूसरे को हँसाता है; एक व्यक्ति की हिचकिचाहट दूसरे को रुकने पर मजबूर करती है; जैसे-जैसे मिनट बीतते जाते हैं, वे जुड़ाव (या "रैपो") की भावना विकसित करते हैं।
लंबे समय से, कंप्यूटर एक कमरे में मौजूद एक व्यक्ति का विश्लेषण करने में अच्छे रहे हैं—जैसे एक एकल गायक ऊँचा स्वर लगा रहा हो। लेकिन वे जुगलबंदी (डुएट) को समझने में संघर्ष करते रहे हैं: कैसे व्यक्ति A का मूड व्यक्ति B को बदल देता है, वे समय के तालमेल को कैसे व्यवस्थित करते हैं, और उनका रिश्ता कैसे विकसित होता है।
यह शोध पत्र कंप्यूटर वैज्ञानिकों के लिए एक नया "जिम" पेश करता है जिसे ACII-DaiKon चैलेंज कहा जाता है। यह एक ऐसी प्रतियोगिता है जिसे कंप्यूटर को इन दो-व्यक्ति वाले नृत्यों को समझना सिखाने के लिए डिज़ाइन किया गया है।
यहाँ वे क्या कर रहे हैं, इसका विवरण सरल उपमाओं का उपयोग करते हुए दिया गया है:
1. डेटासेट: वास्तविक बातचीत का एक विशाल पुस्तकालय
आयोजकों ने Hume-DaiKon डेटासेट नामक एक विशाल पुस्तकालय बनाया है।
- संग्रह: इसमें जोड़ों के बीच 945 बातचीत (743 घंटों से अधिक का वीडियो और ऑडियो) शामिल हैं।
- विविधता: ये कोई स्क्रिप्टेड नाटक नहीं हैं। ये अजनबियों के बीच वास्तविक, स्वाभाविक बातचीत है जिन्हें ऑनलाइन जोड़ा गया था। वे पाँच अलग-अलग भाषाएँ बोलते हैं (अंग्रेजी, जर्मन, स्पेनिश, डच और पोलिश)।
- सेटअप: कल्पना कीजिए कि एक वीडियो कॉल है जहाँ दो लोगों को उनके सप्ताहांत या छुट्टियों के बारे में बात करने के लिए कहा जाता है। सिस्टम उन दोनों को अलग-अलग रिकॉर्ड करता है (ताकि कंप्यूटर व्यक्ति B की आवाज़ सुनते समय व्यक्ति A के चेहरे को देख सके) और व्यक्ति के स्वर से लेकर उनके चेहरे के भावों तक सब कुछ कैप्चर करता है।
2. तीन चुनौतियाँ (द "इवेंट्स")
प्रतियोगिता प्रतिभागियों से इन बातचीत के आधार पर तीन विशिष्ट पहेलियों को हल करने के लिए AI मॉडल बनाने के लिए कहती है:
पहेली A: "इमोशनल इको" (प्रभाव)
- लक्ष्य: यह अनुमान लगाना कि व्यक्ति A ने अभी जो कहा या किया, उसके आधार पर व्यक्ति B इस समय कैसा महसूस कर रहा है।
- रूपक: कल्पना कीजिए कि व्यक्ति A एक हवा की दिशा बताने वाला यंत्र (वेन) है। यदि व्यक्ति A गुस्से में दिखता है, तो क्या व्यक्ति B का मूड भी उससे मेल खाने के लिए बदल जाता है? AI को यह अनुमान लगाना होगा कि क्या व्यक्ति B "खुशी," "चिंता," या "ऊब" महसूस कर रहा है, दूसरे व्यक्ति के व्यवहार के आधार पर।
- चुनौती: यह केवल यह अनुमान लगाना नहीं है कि व्यक्ति B निर्वात (vacuum) में क्या महसूस कर रहा है; बल्कि यह अनुमान लगाना है कि व्यक्ति A ने उस भावना को कैसे प्रभावित किया।
पहेली B: "फ्लोर हैंडऑफ" (बारी लेना)
- लक्ष्य: दो चीजों का अनुमान लगाना: कौन अगला बोलेगा, और वे कब बोलना शुरू करेंगे।
- रूपक: 'हॉट पोटैटो' (गरम आलू) खेल के बारे में सोचें। AI को खिलाड़ियों को देखना होगा और अनुमान लगाना होगा: "क्या वर्तमान वक्ता आलू गिराने वाला है (बोलना बंद करने वाला है), या वे इसे मजबूती से पकड़े रहने वाले हैं? और यदि वे इसे छोड़ देते हैं, तो दूसरे व्यक्ति के पकड़ने में कितने सेकंड लगेंगे?"
- यह कठिन क्यों है: कभी-कभी लोग एक-दूसरे के ऊपर बोलते हैं (ओवरलैप), कभी-कभी वे बीच में टोकते हैं, और कभी-कभी लंबी चुप्पी होती है। AI को उन सूक्ष्म संकेतों (जैसे गहरी सांस लेना या देखना) को पहचानना होगा जो बदलाव का संकेत देते हैं।
पहेली C: "रिलेशनशिप थर्मामीटर" (रैपो)
- लक्ष्य: यह ट्रैक करना कि बातचीत की शुरुआत से अंत तक दोनों लोगों के बीच "जुड़ाव" कैसे बदलता है।
- रूपक: कल्पना कीजिए कि एक थर्मामीटर जो मापता है कि दो लोग आपस में कितनी अच्छी तरह तालमेल बिठा रहे हैं। क्या बातचीत आगे बढ़ने के साथ तापमान बढ़ता है (वे जुड़ रहे हैं) या घटता है (वे अजीब या बहस कर रहे हैं)?
- चुनौती: AI को पूरी बातचीत को देखना होगा, न कि केवल एक वाक्य को, यह देखने के लिए कि क्या रिश्ता गर्म हो रहा है या ठंडा हो रहा है।
3. उपकरण: कंप्यूटर क्या उपयोग कर रहे हैं
इन पहेलियों को हल करने के लिए, शोधकर्ताओं ने प्रतिभागियों को "आंखें" और "कान" दिए:
- कान (ऑडियो): कंप्यूटर Whisper नामक टूल का उपयोग करके आवाज सुनता है। यह भाषण को संख्याओं की एक सूची में बदल देता है जो आवाज के स्वर, गति, और भावना को कैप्चर करती है।
- आंखें (वीडियो): कंप्यूटर FaceNet नामक टूल का उपयोग करके चेहरों को देखता है। यह चेहरे के भावों को संख्याओं में बदल देता है जो मुस्कान, भौंहें चढ़ाना और सिर की गतिविधियों को कैप्चर करती हैं।
- परिणाम: कंप्यूटर दोनों लोगों के लिए संख्याओं की एक स्ट्रीम प्राप्त करता है, जो अगल-बगल चलती है, और पैटर्न खोजने की कोशिश करती है।
4. उन्होंने अब तक क्या पाया (बेसलाइन परिणाम)
आयोजकों ने यह देखने के लिए कि पहेलियाँ कितनी कठिन हैं, कुछ सरल "स्टार्टर" AI मॉडल चलाए। यहाँ उन्होंने क्या खोजा:
- आवाज ही सर्वोपरि है: तीनों पहेलियों के लिए, कंप्यूटर ने तब बहुत बेहतर प्रदर्शन किया जब उसने केवल आवाजों को सुना, बजाय इसके कि उसने केवल चेहरों को देखा।
- उपमा: यह एक गाने को गायक के होंठों को देखकर समझने बनाम संगीत को सुनने जैसा है। इन विशिष्ट परीक्षणों में संगीत (आवाज) ने दृश्य (चेहरा) की तुलना में कहानी को बहुत बेहतर तरीके से बताया।
- उन्हें मिलाने से (अभी) मदद नहीं मिली: जब उन्होंने आंखों और कानों को मिलाने की कोशिश की, तो सरल मॉडलों में बहुत अधिक सुधार नहीं हुआ। वास्तव में, "रैपो" पहेली के लिए, वीडियो जोड़ने से स्कोर थोड़ा खराब हो गया।
- क्यों? यह एक पहेली को धुंधले चश्मे पहनकर हल करने जैसा है। सरल मॉडल अतिरिक्त विजुअल डेटा से भ्रमित हो गए। शोध पत्र सुझाव देता है कि हमें भविष्य में दोनों इंद्रियों को संयोजित करने के लिए स्मार्ट तरीकों की आवश्यकता है।
- स्कोर: सबसे अच्छे सरल मॉडलों ने कार्य के आधार पर लगभग 40% से 70% सटीकता प्राप्त की। इसका मतलब है कि कंप्यूटर बातचीत का "सार" समझने लगे हैं, लेकिन वे अभी भी मानव संपर्क के गहरे, जटिल नृत्य को समझने से बहुत दूर हैं।
सारांश
यह शोध पत्र दुनिया के सबसे बुद्धिमान कंप्यूटर वैज्ञानिकों को एक आमंत्रण है कि वे लोगों को अलग-थलग देखने के बजाय उन्हें जोड़ों (Pairs) के रूप में देखना शुरू करें।
उन्होंने कच्चे माल (वीडियो लाइब्रेरी), नियम (तीन पहेलियाँ), और एक शुरुआती बिंदु (सरल मॉडल) प्रदान किया है। लक्ष्य एक ऐसा AI बनाना है जो न केवल शब्दों को सुने, बल्कि दो लोगों के बीच के तालमेल, प्रभाव और जुड़ाव को भी समझे।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।