Quantifying sources of variation in turn-taking: How much do demographics and personality explain?

会話という名の見えないダンス

賑やかなパーティーにいるところを想像してみてください。あなたは友人と会話をしようとしていますが、部屋の中は騒がしいです。会話の流れを止めないために、あなたと友人は高速で、かつ目に見えないダンスを踊らなければなりません。相手が話し終わるのをただ待ってから話し始めるのではなく、自分が飛び込む完璧なタイミングを見極めるために、相手がいつ終わるかを正確に予測しなければならないのです。もし早すぎれば、割り込み（「オーバーラップ」）になってしまいます。もし遅すぎれば、気まずい沈黙（「ギャップ」）が生まれます。

科学者たちはこれを**ターンテーキング（話者交代）**と呼んでいます。これは、人間同士の会話が、ボールが何度も地面に落ちるピンポンゲームのようなものではなく、スムーズに感じられるための、リズムに乗った掛け合いのことです。長い間、研究者たちは「なぜ私たちはこのように踊るのか」について議論してきました。それは、私たちの「あり方」によるものなのでしょうか？ 例えば、外向的な人は自然と早口だったり、年齢や性別によって話すスピードが遅かったりするのかもしれません。あるいは、それは二人の「間」で起きていることなのでしょうか？ つまり、ダンスとは個人のステップの問題ではなく、たとえ個々の特性がどうあれ、「あなたと特定のパートナー」がいかにうまくシンクロするかという問題なのでしょうか。

この問いが重要なのは、もし私たちが人間のように話すロボットを作りたい、あるいは人々がより良くコミュニケーションを取れるようなアプリを作りたいと考えているなら、私たちは知る必要があるからです。ロボットに「あなたの性格」をプログラムすべきなのか、それとも「あなたとの踊り方」を教えるべきなのか、ということを。

偉大なる会話実験

ある研究チームは、膨大な現実世界のデータを分析することで、この論争に決着をつけようと decided しました。彼らは単に数人の会話を観察したわけではありません。2つの巨大なデータベースから、12,000件を超える会話を分析しました。一つはFisherと呼ばれるデータベースで、見知らぬ人同士の電話の内容が含まれています。もう一つはCANDORで、見知らぬ人同士のビデオ通話が含まれています。これらのデータベースの多くの人々は、複数の異なるパートナーと会話しているため、研究者たちは「パターンを見つける」という巧妙なゲームを行うことができました。

彼らはこう問いかけました。もし人物Aが人物Bと話し、次に人物Aが人物Cと話すとしたら、人物Aは両方のケースで同じように話すのでしょうか？（これが事実なら、すべては**「話し手（アクター）」によるものです）。あるいは、人物Aは相手がBであるかCであるかによって、話し方を変えるのでしょうか？（これが事実なら、それは「聞き手（パートナー）」によるものです）。そして最後に、人物Aと人物Bが一緒にいる時にだけ発生する特別な「魔法」、つまり、どちらか一方が他の誰かと話すと消えてしまうようなパターンが存在するのでしょうか？（これが「ダイアド（二者関係）」**、つまりペアによるものです）。

これを測定するために、彼らは4つの特定の「ダンスのステップ」に注目しました。

1. フロア・トランスファー・オフセット (FTO): 一人が話し終えてから、もう一人が話し始めるまでの正確なミリ秒単位の時間。
2. オーバーラップ: 人々が互いに話し合ってしまう時間の長さ。
3. ポーズ（休止）: 話者権を持っている間の沈黙の時間。
4. 発話活動量: 会話全体の時間のうち、その人が実際に話している時間の割合。

驚きの結果：それは複雑である！

研究の結果、唯一の答えは存在しないことがわかりました。「ダンス」は、どのステップを見ているかによって全く異なります。

「ダイアド（ペア）」がタイミングのレースに勝利
ターンテーキングの刹那的なタイミング（F0T）に関しては、最も重要な要因はペアそのものでした。研究者たちは、特定の二人の間の「化学反応（ケミストリー）」が、タイミングの変化を最もよく説明することを発見しました。話し手やパートナーが誰であるかを考慮したとしても、その特定のペア特有の「バイブス」が依然として最大の支配力を持っていたのです。電話のデータでは、ペアがタイミングの違いの**54%を説明し、ビデオのデータでは34%**を説明しました。これは、会話の「時計」は、個々のダンサーによってではなく、共に踊る二人の手によって設定されることを示唆しています。

「話し手」が沈黙を支配する
しかし、ポーズ（話者権を持っている間の沈黙）に関しては、個々の話し手が主導権を握っていました。研究者は、どれくらいポーズを入れるかは、主に「その人自身」に依存することを発見しました。ポーズを多く入れるタイプの人であれば、誰と話していようとも、多くの場合ポーズを入れるのです。これは最も「アクター主導」の指標であり、個人のスタイルが沈黙を支配していることを意味します。

「発話活動量」はチームの努力
発話活動量（誰が最も多く話すか）については、混合的な要素がありました。あなた自身の性格や習慣が最大の要因（アクター）ですが、パートナーも非常に重要です。もしあなたが支配的なパートナーと話しているなら、たとえ普段が話し好きであっても、話す量が減るかもしれません。研究者は、自分自身の特性が最も大きな要因である一方で、パートナーのアイデンティティもかなりの部分を占めていることを発見しました。

「オーバーラップ」は変幻自在
話し合いの重なり（オーバーラップ）は、最も不可解なものでした。ビデオ通話では、主に話し手に依存しているように見えました。しかし、電話での会話では、主に聞き手に依存していました。これは、私たちがどのように割り込んだり、重なり合ったりするかが、媒体（ビデオか音声か）や、相手の合図をどう解釈するかによって変化することを示唆しています。

デモグラフィックス（属性）は重要か？

あなたはこう思うかもしれません。「では、男性であること、女性であること、若いこと、年配であること、あるいは特定の性格を持っていることが、私の話し方を変えるのでしょうか？」

答えは、**「はい、しかし皆さんが考えているほどではありません」**です。

研究者たちは、性別、年齢、教育、性格といった要素が、これらのパターンを予測できるかどうかをテストしました。その結果、これらの要因は確かに影響を与えていましたが、全体の変動のうち、わずか**6%から16%**程度しか説明できないことがわかりました。

• 性別は最も一貫した予測因子でした。男性は女性よりも、ターン間の空白がわずかに長く、割り込みもわずかに少ない傾向がありました。
• 年齢や性格（特に外向性）も、特にどれくらい話すかという点において役割を果たしていました。
• しかし、これらの詳細な情報をすべて考慮しても、個人のプロフィールを見るだけで会話を予測することはできませんでした。特定のペアの「魔法」と、その瞬間のユニークな文脈が、依然として支配的だったのです。

これが未来に意味すること

この研究の結論は、私たちは単なるデモグラフィックなプロフィール以上の存在であるということです。私たちは、固定された会話スタイルを持つ「外向的な男性」や「年配の女性」ではありません。私たちは、誰と踊るかによってステップを変える、ダイナミックなダンサーなのです。

未来のロボットやAIシステムにとって、これは大きなヒントになります。もしロボットに自然な会話をさせたいのであれば、ユーザーの性格をプログラムするだけでは不十分です。ロボットには、「この特定の人間は、この特定のロボットに対しては、自分の母親や上司に対して話すのとは違う話し方をするのだ」ということを学ばせなければなりません。会話のタイミングは、単独のパフォーマンスではありません。それはデュエットであり、その音楽はしばら、ポケットに入っている楽譜によってではなく、共に演奏する二人の手によって書き込まれるものなのです。