LLM-Based Selection of Incongruent Verbal and Nonverbal Behavior for Virtual Humans
यह शोध पत्र एकमैन के ढांचे के आधार पर मौखिक-अमौखिक बेमेल (mismatches) के लिए एक वर्गीकरण प्रस्तावित करता है, वर्चुअल ह्यूमन्स के लिए संदर्भानुसार उपयुक्त असंगत व्यवहारों को चुनने के लिए लार्ज लैंग्वेज मॉडल्स के उपयोग की जांच करता है, और एक मानव-विषय अध्ययन के माध्यम से इच्छित ऑब्जर्वर प्रभावों को उत्पन्न करने में उनकी प्रभावशीलता को प्रमाणित 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
बोले गए शब्दों के बीच के शांत स्थानों में, मानवीय संचार अक्सर अपना सबसे जटिल कार्य कर रहा होता है। जब हम बात करते हैं, तो हम केवल जानकारी प्रसारित नहीं करते; हम अपने चेहरे, अपनी आँखों और अपने हाव-भाव के माध्यम से अपनी भावनाओं, अपनी सामाजिक स्थिति और अपने छिपे हुए इरादों को भी प्रदर्शित करते हैं। ये मौन संकेत, जिन्हें गैर-मौखिक व्यवहार (nonverbal behaviors) के रूप में जाना जाता है, हमारे कहे गए शब्दों को पुष्ट कर सकते हैं, लेकिन वे उन्हें विरोधाभासी भी बना सकते हैं। एक व्यक्ति कह सकता है "मैं ठीक हूँ" जबकि उसका चेहरा चिंता से सिकुड़ जाता है, या वह प्रशंसा भरे लहजे में उपहास का संकेत दे सकता है। शरीर को मुख के विरुद्ध जाने देने की यह क्षमता, या एक विनम्र मुस्कान के पीछे वास्तविक भावनाओं को छिपाने की यह योग्यता, यह एक मौलिक हिस्सा है कि कैसे मनुष्य रिश्तों को निभाते हैं, संघर्षों का प्रबंधन करते हैं और विश्वास का संकेत देते हैं। दशकों से, शोधकर्ताओं ने कंप्यूटर को इस जटिलता की नकल करने के लिए सिखाने की कोशिश की है, जिससे ऐसे आभासी एजेंट बनाए जा सकें जो लोगों की तरह हिल-डुल सकें और संकेत दे सकें। हालाँकि, इनमें से अधिकांश डिजिटल पात्र एक सरल नियम तक सीमित रहे हैं: यदि शब्द सुखद हैं, तो चेहरा भी सुखद होना चाहिए। वे इस बात को समझने में संघर्ष करते हैं कि कभी-कभी, सबसे ईमानदार चीज़ जो एक व्यक्ति कर सकता है, वह यह है कि वह एक बात कहे जबकि उसका शरीर कुछ और ही कहे।
नॉर्थईस्टर्न यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस सीमा को बदलने का लक्ष्य रखा। वे यह देखना चाहते थे कि क्या वे एक आभासी मानव को इन सूक्ष्म, विरोधाभासी व्यवहारों को स्वचालित रूप से उत्पन्न करने के लिए प्रशिक्षित कर सकते हैं, जिसके लिए 'लार्ज लैंग्वेज मॉडल' नामक आर्टिफिशियल इंटेलिजेंस का उपयोग किया जाए। ये मॉडल विशाल मात्रा में टेक्स्ट पर प्रशिक्षित शक्तिशाली सिस्टम हैं, जो संदर्भ और बारीकियों को समझने में सक्षम हैं। शोधकर्ताओं ने एक विशिष्ट प्रश्न पूछा: यदि वे कंप्यूटर को एक बातचीत और स्थिति का विवरण दें, तो क्या वह यह समझ पाएगा कि वक्ता को कब अच्छा बोलते समय उदास दिखना चाहिए, या बुरी खबर देते समय मिलनसार दिखना चाहिए? वे केवल यह नहीं चाहते थे कि कंप्यूटर अनुमान लगाए; वे यह देखना चाहते थे कि क्या कंप्यूटर इन विकल्पों को इस तरह से चुन सकता है जो मानव पर्यवेक्षकों को वास्तविक लगे।
इसका परीक्षण करने के लिए, टीम ने पहले लोगों द्वारा अपने शब्दों और कार्यों के बीच विसंगति पैदा करने के विभिन्न तरीकों का एक मानचित्र तैयार किया। उन्होंने चार मुख्य कारणों की पहचान की जिनके कारण कोई व्यक्ति ऐसा कर सकता है। कभी-कभी यह विडंबना (irony) होती है, जहाँ वक्ता किसी का अपमान करने के लिए प्रशंसा का उपयोग करता है या स्नेह दिखाने के लिए आलोचना का। अन्य समय में, यह 'फेस सेविंग' (सम्मान बचाने) के बारे में होता है, जहाँ एक व्यक्ति भावनाओं को ठेस पहुँचाने से बचने के लिए कठोर आलोचना को एक गर्म मुस्कान के साथ नरम करता है, या अपनी स्वयं की नाराजगी को छिपाने के लिए एक विनम्र मुस्कान को मजबूर करता है। इसमें छल (deception) भी शामिल है, जहाँ एक व्यक्ति अपने गुप्त भाव को छिपाने की कोशिश करता है, और भावनात्मक विनियमन (emotional regulation), जहाँ कोई व्यक्ति अपने भीतर उमड़ रहे भाव को दबाने की कोशिश करता है। इन श्रेणियों का उपयोग करते हुए, शोधकर्ताओं ने आठ विशिष्ट परिदृश्य डिज़ाइन किए, जैसे कि एक कनिष्ठ कर्मचारी का अपने बॉस से बात करना जिसने अभी-अभी उसका कार्यभार बढ़ा दिया है, या एक माँ का अपने किशोर बेटे को फीडबैक देना।
इसके बाद शोधकर्ताओं ने कंप्यूटर को व्यवहार उत्पन्न करने के लिए कहने के तीन अलग-अलग तरीकों का परीक्षण किया। पहले तरीके में, उन्होंने कंप्यूटर को केवल बोला गया वाक्य दिया। दूसरे में, उन्होंने उस वाक्य तक पहुँचने वाली बातचीत का इतिहास जोड़ दिया। तीसरे और सबसे विस्तृत तरीके में, उन्होंने बातचीत के इतिहास के साथ-साथ वक्ताओं के बीच के संबंध और सामाजिक परिवेश का लिखित विवरण प्रदान किया। 'क्लोड' (Claude) नामक मॉडल द्वारा संचालित कंप्यूटर को यह तय करने के लिए कहा गया कि चरित्र के चेहरे और आँखों को प्रत्येक वाक्य के लिए क्या करना चाहिए। परिणाम स्पष्ट थे: जब कंप्यूटर को केवल शब्द दिए गए, तो इसने ज्यादातर चरित्र को तब खुश दिखाया जब शब्द सुखद थे और तब दुखी दिखाया जब शब्द दुखद थे। लेकिन जब शोधकर्ताओं ने पूर्ण संदर्भ प्रदान किया—शक्ति का समीकरण, इतिहास और सामाजिक दबाव—तो कंप्यूटर ने उन व्यवहारों को चुनना शुरू कर दिया जो शब्दों के विपरीत थे। उस परिदृश्य में जहाँ एक कनिष्ठ कर्मचारी को एक मांग करने वाले बॉस से अधिक काम स्वीकार करना था, कंप्यूटर ने एक छोटी और संयमित मुस्कान के साथ, नज़रें थोड़ी हटा लेने और होंठों को कसने वाला व्यवहार चुना। यह समझ गया कि कर्मचारी "हाँ" कह रहा था जबकि वह "नहीं" महसूस कर रहा था।
यह देखने के लिए कि कंप्यूटर द्वारा चुने गए विकल्प वास्तव में काम करते हैं या नहीं, शोधकर्ताओं ने डिजिटल निर्देशों को एक आभासी मानव के वीडियो क्लिप में बदल दिया और उन्हें लोगों को दिखाया। पहले अध्ययन में, उन्होंने प्रतिभागियों से वीडियो के जोड़े देखने और यह तय करने के लिए कहा कि किस वक्ता का दृष्टिकोण अधिक सकारात्मक था। जब आभासी मानव ने कुछ सकारात्मक कहा लेकिन उसका चेहरा नकारात्मक दिखा, तो लोगों ने उस वक्ता के दृष्टिकोण को तब की तुलना में कम सकारात्मक माना जब मानव खुश दिख रहा था। जब मानव ने कुछ नकारात्मक कहा लेकिन गर्मजोशी से मुस्कुराया, तो लोगों ने दृष्टिकोण को तब की तुलना में अधिक सकारात्मक माना जब वह क्रोधित दिख रहा था। दूसरे अध्ययन ने गहराई से जांच की, जिसमें लोगों से देखे गए विशिष्ट भावों को रेट करने के लिए कहा गया। परिणामों ने दिखाया कि कंप्यूटर द्वारा चुने गए गैर-मौखिक संकेत वक्ता की भावनाओं के बारे में लोगों की धारणा को बदलने के लिए पर्याप्त शक्तिशाली थे। यदि कंप्यूटर ने एक सुखद वाक्य के साथ एक उदास चेहरा चुना, तो लोगों ने महसूस किया कि वक्ता वास्तव में क्रोधित या व्यंग्यपूर्ण था। यदि कंप्यूटर ने एक दुखद वाक्य के साथ एक गर्म मुस्कान चुनी, तो लोगों ने क्रोध के बजाय सहानुभूति महसूस की।
यह अध्ययन पुष्टि करता है कि आर्टिफिशियल इंटेलिजेंस को बातचीत के पूर्ण सामाजिक संदर्भ के साथ प्रदान करने से, यह शब्दों के आधार पर उत्पन्न होने वाले व्यवहारों की तुलना में कहीं अधिक मानव-समान गैर-मौखिक व्यवहार उत्पन्न कर सकता है। कंप्यूटर ने केवल वाक्य की भावना को दोहराया नहीं; इसने स्थिति की व्याख्या की और निर्णय लिया कि एक विसंगति (mismatch) ही सबसे ईमानदार प्रतिक्रिया होगी। हालाँकि शोधकर्ताओं ने उल्लेख किया कि उनके सिस्टम को शारीरिक हाव-भाव (gestures) और आवाज के लहजे को संभालने के लिए अभी भी काम करने की आवश्यकता है, और वीडियो छोटे थे, लेकिन मुख्य निष्कर्ष महत्वपूर्ण है। यह सुझाव देता है कि आभासी मनुष्यों को वास्तव में विश्वसनीय बनाने के लिए, विशेष रूप से थेरेपिस्ट के प्रशिक्षण या बातचीत जैसे भूमिकाओं में, उन्हें यह सक्षम होना चाहिए कि उनका शरीर उनके मुख से अलग कहानी कह सके। कंप्यूटर ने सीखा कि कभी-कभी, सत्य शब्दों में नहीं, बल्कि उनके बीच के मौन में होता 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।