On the Structure of Address in Multi-Party Dialogue: From Discrete Labels to Continuous Levels
यह शोधपत्र एड्रेसर डिटेक्शन (संबोधन पहचान) को एक विविक्त वर्गीकरण कार्य के रूप में देखने के पारंपरिक दृष्टिकोण को चुनौती देते हुए एक निरंतर ढांचे का प्रस्ताव करता है जो संबोधन की क्रमिक प्रकृति को बेहतर ढंग से पकड़ता है और टर्न-टेकिंग तथा श्रोता के व्यवहार जैसे कि दृष्टि (गेज़) और बैकचैनल के लिए इसकी श्रेष्ठ भविष्य कहने वाली शक्ति को प्रदर्शित 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 आप एक हलचल भरे कॉफी शॉप में जा रहे हैं जहाँ तीन दोस्त एक बहुत ही विनम्र, लेकिन थोड़े भ्रमित रोबोट के साथ बातचीत कर रहे हैं। कंप्यूटर विज्ञान की दुनिया में, विशेष रूप से "नेचुरल लैंग्वेज प्रोसेसिंग" नामक एक क्षेत्र में, शोधकर्ता मशीनों को मानवीय बातचीत समझने के लिए प्रशिक्षित करने की कोशिश करते हैं। उनके सामने सबसे कठिन पहेलियों में से एक यह पता लगाना है कि कोई व्यक्ति किससे बात कर रहा है। क्या वक्ता रोबोट से बात कर रहा है? अपने बाईं ओर बैठे दोस्त से? अपने दाईं ओर वाले दोस्त से? या क्या वह पूरे समूह को संबोधित कर रहा है?
लंबे समय तक, वैज्ञानिकों ने इसे एक साधारण "एक को चुनो" (Pick One) के खेल की तरह माना। उन्होंने माना कि हर वाक्य का लक्ष्य ठीक एक ही होना चाहिए, जैसे कि एक गेंद फेंकना जो केवल एक विशिष्ट टोकरी में ही गिर सकती है। यदि आप पूरे समूह से बात कर रहे थे, तो कंप्यूटर को बस एक लेबल चुनना होता था। लेकिन यह केवल "नारंगी" या "नीले" शब्दों का उपयोग करके सूर्यास्त का वर्णन करने जैसा महसूस होता है। वास्तविक बातचीत अव्यवस्थित, तरल होती है, और अक्सर ऐसा लगता है जैसे इसे कई लोगों को अलग-अलग स्तरों पर भेजा जा रहा है। यह समझना कि किससे बात की जा रही है, इसलिए महत्वपूर्ण है क्योंकि इससे कंप्यूटर को यह जानने में मदद मिलती है कि उसे कब बोलना चाहिए, या कब बस चुप रहकर सिर हिलाना चाहिए। यदि एक रोबोट सोचता है कि आप अपने दोस्त से बात कर रहे हैं जबकि वास्तव में आप उससे सवाल पूछ रहे हैं, तो वह तब चुप रह सकता है जब उसे जवाब देना चाहिए, या इससे भी बुरा, वह आपके दोस्त को बीच में टोक सकता है।
यही कारण है कि ताइगा मोरी और क्योटो विश्वविद्यालय की उनकी टीम ने एक नया अध्ययन किया। उन्होंने "किसे संबोधित किया जा रहा है" को एक साधारण ऑन/ऑफ स्विच के रूप में देखना बंद कर दिया और इसे एक "डिमर स्विच" (dimmer switch) के रूप में देखना शुरू किया। "क्या यह वाक्य व्यक्ति A के लिए है या नहीं?" पूछने के बजाय, उन्होंने पूछा, "यह वाक्य व्यक्ति A के लिए कितना है, और व्यक्ति B के लिए कितना है?"
उत्तर खोजने के लिए, शोधकर्ताओं ने तीन दोस्तों के समूहों के बीच हुई 36 रिकॉर्ड की गई बातचीत को सुना। उन्होंने केवल एक व्यक्ति को यह अनुमान लगाने के लिए नहीं कहा कि किससे बात की जा रही थी; बल्कि उन्होंने प्रत्येक वाक्य को सुनने के लिए तीन अलग-अलग लोगों को लगाया और उनके अनुमान लिखे। उन्होंने पाया कि अनुमान लगाने वाले अक्सर असहमत थे। कभी-कभी एक व्यक्ति को लगा कि वाक्य पूरे समूह के लिए था, जबकि दूसरे को लगा कि यह केवल एक मित्र के लिए था। पुराने तरीके में इसे "शोर" (noise) या गलती कहा जाता। लेकिन शोधकर्ताओं को संदेह था कि यह असहमति एक त्रुटि नहीं थी; बल्कि यह एक सुराग था कि "संबोधित होने" का अहसास स्वाभाविक रूप से धुंधला और निरंतर है।
इसलिए, उन्होंने उन धुंधले मानवीय अनुमानों को एक "निरंतर संबोधन स्तर" (continuous address level) में बदलने के लिए एक विशेष गणितीय मॉडल बनाया। एक स्लाइडर की कल्पना करें जो 0 से 1 तक जाता है। यदि कोई आपसे सीधे बात कर रहा है, तो स्लाइडर 1.0 पर है। यदि वे आपको अनदेखा कर रहे हैं, तो यह 0.0 पर है। लेकिन क्या होगा यदि वे मुख्य रूप से आपसे बात कर रहे हैं, लेकिन इसमें आपके मित्र को भी थोड़ा शामिल कर रहे हैं? स्लाइडर 0.7 पर हो सकता है। इस नए "स्लाइडर" सिस्टम ने उन्हें प्रत्येक श्रोता और वक्ता के बीच के संबंध की ताकत को मापने की अनुमति दी।
फिर, उन्होंने परीक्षण किया कि क्या यह नया "स्लाइडर" विचार पुराने "हाँ/नहीं" लेबल की तुलना में बेहतर काम करता है। उन्होंने तीन चीजों को देखा: अगला वक्ता कौन था, श्रोता कहाँ देख रहे थे, और वे कितनी बार "अह-हूँ" या "हाँ" जैसी छोटी आवाजें (बैकचैनलिंग) निकालते थे।
परिणाम काफी स्पष्ट थे। जब उन्होंने भविष्यवाणी करने की कोशिश की कि अगला कौन बोलेगा, तो "स्लाइडर" (निरंतर स्तर) वाला मॉडल "हाँ/नहीं" लेबल वाले मॉडल की तुलना में बहुत बेहतर था। ऐसा होता है कि भले ही कोई श्रोता वाक्य का मुख्य लक्ष्य न हो, यदि उसे कुछ हद तक संबोधित किया जा रहा है, तो उसके बोलने की संभावना अधिक होती है। पुराना "हाँ/नहीं" सिस्टम बोलने के इन सूक्ष्म अवसरों को चूक जाता था।
आंखों के संपर्क (eye contact) के मामले में भी ऐसा ही हुआ। अध्ययन में पाया गया कि एक श्रोता जितना अधिक संबोधित महसूस करता है (स्लाइडर जितना ऊंचा होता है), वह उतना ही अधिक वक्ता की ओर देखता है। लेकिन यह एक साधारण स्विच नहीं था कि आप या तो देखते हैं या नहीं; आंखों के संपर्क की मात्रा धीरे-धीरे बदलती थी, जैसे कि वॉल्यूम नॉब को घुमाया जा रहा हो, जो संबोधन की शक्ति के अनुरूप था।
अंत में, उन्होंने उन छोटे "अह-हूँ" ध्वनियों को देखा। फिर से, "स्लाइडर" मॉडल ने उनकी भविष्यवाणी करने में बेहतर काम किया। एक श्रोता जितना अधिक शामिल महसूस करता था, वे उतनी ही अधिक सहायक आवाजें निकालते थे। हालांकि, यहाँ सुधार बहुत बड़ा नहीं था, जो यह सुझाव देता है कि हालांकि संबोधित किया जाना मायने रखता है, अन्य चीजें भी यह तय करने में प्रभाव डालती हैं कि कोई आवाज निकालेगा या नहीं।
लेखकों का सुझाव है कि इसका मतलब है कि हमें बातचीत करने वाले रोबोट बनाने के तरीके पर पुनर्विचार करने की आवश्यकता है। कंप्यूटर को यह तय करने के लिए मजबूर करने के बजाय कि "मैं व्यक्ति A से बात कर रहा हूँ," उसे यह कहने में सक्षम होना चाहिए कि "मैं मुख्य रूप से व्यक्ति A से बात कर रहा हूँ, लेकिन थोड़ा सा व्यक्ति B से भी।" यह निरंतर दृष्टिकोण मानवीय बातचीत की अव्यवस्थित और सुंदर वास्तविकता को हमारे पुराने कठोर बक्सों की तुलना में बहुत बेहतर तरीके से पकड़ता है। यह सुझाव देता है कि समूह की बातचीत में, वक्ता केवल एक व्यक्ति को संबोधित नहीं कर रहा होता है; बल्कि वह अपना ध्यान एक स्पॉटलाइट की तरह वितरित कर रहा होता है जो एक व्यक्ति पर चमक सकता है, दूसरे पर मंद हो सकता है, या पूरे कमरे को एक साथ रोशन कर सकता है।
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।