Evaluating multimodal emotion recognition in proactive conversational agents: A user study
एक सक्रिय, जनरेटिव एआई-संचालित सामाजिक रूप से संवादात्मक एजेंट के इस उपयोगकर्ता अध्ययन से पता चलता है कि यद्यपि एक प्रचलित "पोकर फेस" प्रभाव के कारण भाषाई विश्लेषण चेहरे की पहचान की तुलना में उपयोगकर्ता की भावनाओं का पता लगाने में बेहतर प्रदर्शन करता है, प्रणाली की विशिष्ट भावनाओं को उत्पन्न करने की क्षमता प्रभावी है फिर भी यह अनकैलिब्रेटेड सक्रियता से बाधित है जो उपयोगकर्ता की अरुचि का जोखिम उत्पन्न करती 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 आप एक मिलनसार रोबोट के साथ बैठकर बातचीत कर रहे हैं। आप एक गर्मजोशी भरी, स्वाभाविक बातचीत करना चाहते हैं, लेकिन रोबोट आपके चेहरे को देखकर और आपके शब्दों को सुनकर आपके भावों का अनुमान लगाने की कोशिश कर रहा है। यह शोध पत्र इस बात की एक रिपोर्ट कार्ड की तरह है कि रोबोट ने अपना काम कितनी अच्छी तरह किया।
यहाँ जो हुआ उसकी कहानी सरल रूप में दी गई है:
सेटअप: दो आँखों और कानों वाला एक रोबोट
शोधकर्ताओं ने एक "सामाजिक रूप से संवादात्मक एजेंट" बनाया (आइए इसे रोबो-चैटर कहें)। रोबो-चैटर उन्नत एआई (वही जो कहानियाँ और कविताएँ लिखता है) द्वारा संचालित है और उसके पास आपके मूड का अनुमान लगाने के दो मुख्य तरीके हैं:
- कैमरा आँख: यह आपके चेहरे को देखता है कि क्या आप मुस्कुरा रहे हैं, त्योरियां चढ़ा रहे हैं या गुस्से में दिख रहे हैं।
- सुनने वाला कान: यह आपके द्वारा कहे गए शब्दों और आपके द्वारा सुनाई जा रही कहानी का विश्लेषण करने के लिए एक सुपर-स्मार्ट एआई का उपयोग करता है।
उन्होंने 20 लोगों को रोबो-चैटर के साथ अनस्क्रिप्टेड, मुक्त प्रवाह वाली बातचीत करने के लिए आमंत्रित किया। रोबोट ने विषय बदलकर (जैसे पालतू जानवरों, प्रकृति या पारिवारिक यादों के बारे में बात करके) बातचीत को अलग-अलग भावनाओं की ओर मोड़ने की कोशिश की—जैसे लोगों को हंसाना, दुखी करना या थोड़ा डराना।
सबसे बड़ा आश्चर्य: "पोकर फेस" की समस्या
सबसे दिलचस्प खोज यह थी कि रोबोट ने जो देखा और लोगों ने जो महसूस किया, उसके बीच एक बहुत बड़ा अंतर था।
इसे ऐसे सोचिए: कल्पना कीजिए कि आप एक वीडियो गेम खेल रहे हैं। आप बहुत मज़ा ले रहे हैं, अंदर ही अंदर हंस रहे हैं, लेकिन स्क्रीन पर ध्यान केंद्रित करने के कारण आपका चेहरा पूरी तरह से गंभीर है।
- लोगों ने क्या महसूस किया: अधिकांश प्रतिभागियों ने खुशी, शांति या गहरा ध्यान महसूस किया। उन्होंने बातचीत का आनंद लिया।
- कैमरा आँख ने क्या देखा: क्योंकि लोग रोबोट पर इतना ध्यान केंद्रित कर रहे थे, इसलिए उन्होंने एक "पोकर फेस" बनाए रखा। वे चौड़ी मुस्कान नहीं दे रहे थे। कैमरे ने उनके इस गंभीर, केंद्रित लुक को क्रोध या घृणा के रूप में गलत समझा।
यह ऐसा है जैसे रोबोट ने एक शांत, खुश व्यक्ति को देखा और कहा, "ओह नहीं, आप बहुत गुस्से में लग रहे हैं!" कैमरा 75% बार गलत था क्योंकि वह यह नहीं समझ पाया कि एक गंभीर चेहरा वास्तव में यह दर्शा सकता है कि "मैं पूरा ध्यान दे रहा हूँ," न कि "मैं नाराज हूँ।"
नायक: सुनने वाला कान
जबकि कैमरा भ्रमित था, सुनने वाले कान (टेक्स्ट का विश्लेषण करने वाला एआई) ने बहुत बेहतर काम किया।
जब किसी व्यक्ति ने कहा, "मुझे अपना कुत्ता बहुत पसंद है," या "वह रोलरकोस्टर बहुत मजेदार था," तो एआई ने संदर्भ को समझ लिया। वह समझ गया कि व्यक्ति खुश है, भले ही उसका चेहरा पत्थर की तरह गंभीर क्यों न हो। टेक्स्ट विश्लेषण बहुत अधिक सटीक था क्योंकि इसने चेहरे के मुखौटे के बजाय सुनाई जा रही कहानी को देखा।
रोबोट का व्यक्तित्व: एक दोधारी तलवार
रोबोट को "प्रोएक्टिव" (सक्रिय) होने के लिए डिज़ाइन किया गया था, जिसका अर्थ है कि वह केवल प्रश्नों का इंतजार नहीं करता था; वह बातचीत का नेतृत्व करने और नए विषय लाने की कोशिश करता था।
- अच्छा पक्ष: जब रोबary सही दिशा में होता था, तो ऐसा लगता था जैसे वह एक असली दोस्त हो। वह लोगों को सहज या उत्साहित महसूस करा सकता था।
- बुरा पक्ष: कभी-कभी, रोबोट बहुत अधिक कोशिश करता था। यदि उसने किसी गंभीर विषय पर मजाक करने की कोशिश की, या यदि वह ऐसी चीज़ के बारे में बात करता रहा जिसमें उपयोगकर्ता की कोई दिलचस्पी नहीं थी, तो उपयोगकर्ता बातचीत बंद कर देता था। वे "हाँ" या "ना" जैसे छोटे उत्तर देने लगते थे। रोबोट सोचता था, "ओह, वे ऊब रहे हैं," लेकिन वास्तव में, उपयोगकर्ता को लगता था कि रोबोट थोड़ा बनावटी या जबरदस्ती करने वाला हो रहा है।
निष्कर्ष: केवल देखो मत, सुनो
इस अध्ययन का मुख्य सबक सरल है: किताब को उसके कवर से न आंकें, खासकर जब वह कवर एक मशीन से बात करता हुआ मानव चेहरा हो।
जब इंसान रोबोट से बात करते हैं, तो वे गंभीर और केंद्रित हो जाते हैं, जो कैमरे के लिए एक "खराब मूड" जैसा दिखता है। शोधकर्ता सुझाव देते हैं कि भविष्य के रोबोट को चाहिए:
- चेहरे से ज्यादा शब्दों पर भरोसा करें। यदि कोई कहता है कि वह खुश है, तो विश्वास करें, भले ही वह मुस्कुरा न रहा हो।
- माहौल को समझें। यदि रोबोट एक गंभीर चेहरा देखता है लेकिन खुश शब्द सुनता है, तो उसे पूछना चाहिए, "आप केंद्रित लग रहे हैं, लेकिन आपकी आवाज़ खुशी व्यक्त कर रही है! आप कैसा महसूस कर रहे हैं?"
- जानें कि कब रुकना है। यदि रोबोट महसूस करता है कि उपयोगकर्ता परेशान या ऊब रहा है, तो उसे विषय बदलना चाहिए या इतना दबाव डालना बंद कर देना चाहिए।
संक्षेप में, वास्तव में मानवीय महसूस करने वाला रोबोट बनाने के लिए, उसे एक अच्छा श्रोता होना चाहिए, न कि केवल एक अच्छा दर्शक।
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।