From Propositional to Perceptual Asymmetry: Extending Frictive Policy Optimization to Asymmetric Partial Information Dialogue

Technische Samenvatting: Van Propositionele naar Perceptuele Asymmetrie

Probleemstelling
Collaboratieve dialoog steunt op de constructie van gemeenschappelijke grond (common ground), een proces dat inherent gevoelig is voor wrijving (misalignment, misverstand en reparatie). Hoewel Frictieve Beleidsoptimalisatie (FPO) deze wrijving herformuleert als een epistemisch signaal dat essentieel is voor robuuste afstemming, opereren bestaande implementaties (bijv. FAAF) onder een aanname van propositionele asymmetrie. In dit regime delen deelnemers een perceptuele context (dezelfde scène) maar komen zij tot verschillende overtuigingen.

Dit artikel identificeert een beperking bij het toepassen van FPO op perceptuele asymmetrie, waarbij deelnemers asymmetrische partiële informatie bezitten (bijv. verschillende kaarten of perspectieven). In dergelijke situaties kunnen identieke oppervlakte-expressies verschillende denotaties opleveren, afhankelijk van wiens informatietoestand de referentie fundeert. Het kernproblein is dat standaard FPO-formuleringen, die een gedeelde perceptuele context veronderstellen, er niet in slagen rekening te houden met het feit dat de "interactiegeschiedenis" ($h$) participant-specifiek is ($h^{(i)}$). Bijgevolg kan alwetende evaluatie van wrijving kritieke misalignments missen of deze als ruis classificeren.

Methodologie
De auteurs breiden FPO uit naar een perspectivische formulering en evalueren dit via cross-corpus analyse en LLM-probing.

1. Theoretische Uitbreiding:

   • De auteurs herdefiniëren de frictieve staat als een configuratie waar de wrijvingsfunctionaal $F^-(h^{(i)}, y) > 0$ geldt voor ten minste één plausibele respons, geëvalueerd relatief aan de private informatiehorizon van een participant ($h^{(i)}$).
   • Zij deconstrueren de vier epistemische faalmodi van $F^-$ (Onzekerheid, Tegenstrijdigheid, Gevaar, Waardeconflict) in rol-specifieke diagnostieken:
     • Spreker (Gever): Detecteert primair Waardeconflict (productie-onderspecificatie) en Onzekerheid (ambiguïteit binnen de context).
     • Ontvanger (Volger): Detecteert primair Tegenstrijdigheid (cross-perspectivische grondingsconflict) en Gevaar (zelfverzekerde miscommittent).
   • Deze formulering behandelt gemeenschappelijke grond niet als een presuppositie, maar als een actieve constructie die perceptueel uiteenlopende bewijslast verenigt.

2. Datasets:

   • HCRC MapTask: Het primaire evaluatiemodel. De auteurs maken gebruik van twee annotatielagen: de originele NXT dialoctic-tags en de GMMT (Grounded Misunderstandings in MapTask) dataset, die per-perspectief annotaties biedt van de beoogde versus de geïnterpreteerde landmarks.
   • OneCommon: Gebruikt als secundair cross-corpus vergelijkingspunt om referentiële asymmetrie in een andere taakstructuur (puntselectie) te observeren.

3. Experimenteel Ontwerp:

   • Corpus Analyse: Cross-tabulatie van discrepantietypen (Identiek, Lexicaal, Existentie, Multipliciteit) tegen GMMT pending subtypes en alignment trajecten.
   • LLM Probing: Drie instructie-getunede LLM's (GPT-5, Qwen3.6, Llama-4-Scout) werden getest onder drie condities:
     • Omniscient (Alwetend): Toegang tot de kaarten van beide deelnemers.
     • Giver Perspective (Gever-perspectief): Alleen toegang tot de kaart van de gever.
     • Follower Perspective (Volger-perspectief): Alleen toegang tot de kaart van de volger.
   • Repair-Productive Evaluatie: Een "RepairScore" metriek werd gebruikt om te bepalen of gedetecteerde frictieve staten overeenkwamen met misalignments die vervolgens in de dialoog werden gerepareerd.

Belangrijkste Bijdragen

1. Perspectivische Frictieve Staten: Het artikel formaliseert een rol-specifieke decompositie van wrijving waarbij de spreker wrijving ervaart door binnen-frame ambiguïteit en de ontvanger door cross-frame conflicten.
2. Empirische Validatie van Perspectief-gebonden Evaluatie: Door middel van LLM-probing demonstreren de auteurs dat het beperken van een model tot het perspectief van één participant de detectie van referentiële misalignment verbetert vergeleken met alwetende toegang.
3. Annotatie Verfijningen: De auteurs stellen twee specifieke verfijningen voor voor grondings-annotatieschema's:
   • Subtype Decompositie: Het onderscheid tussen pending subtypes (bijv. ongrondig versus kwantitatief) om onderscheidende faalmodi te vangen.
   • Accommodatie-bewuste Alignment: Het differentiëren tussen alignment bereikt door expliciete onderhandeling en alignment bereikt door stille accommodatie.

Resultaten

• Discrepantie-afhankelijke Wrijving: Wrijving is niet uniform; verschillende discrepantietypen produceren kwalitatief verschillende grondingsfaalprofielen. Multipliciteitsdiscrepanties (waar een landmark meerdere keren voorkomt op één kaart) drijven een disproportioneel deel van de misverstanden aan (12,0% rate versus 0,2% voor identieke landmarks) en worden gekenmerkt door hoge rates van ongrondige pending staten.
• Traject Analyse: Multipliciteitsketens vertonen hoge rates van niet-monotone staatstrajecten (38,9%), waarbij alignment lokaal wordt bereikt maar globaal afneemt naarmate opeenvolgende referenties opnieuw ambiguïteit introduceren. Dit ondersteunt de Gevaar component van FPO (trajecten die succesvol lijken maar stilletjes divergeren).
• LLM Probing Prestaties:
  • Perspectief Superioriteit: Over alle modellen heen presteerde de Giver-perspective conditie significant beter dan de Omniscient conditie in het detecteren van wrijving (F1-gaps van +0,47 tot +0,69).
  • Omniscient Falen: Alwetende modellen faalden vaak in het detecteren van misalignment, waarbij ze cross-map tegenstrijdigheden als ruis behandelden of standaard kozen voor "ja" (alignment) vanwege de aanwezigheid van gedeelde entiteiten. Het beperken van het zicht tot één perspectief bracht de structureel relevante subset van informatie naar boven, wat de detectie verbeterde.
  • Repair Productiviteit: De perspectivische formulering identificeerde succesvol alle 13 gold-standard repair events in de testset, terwijl de omnisciente baseline er enkele miste. Dit bevestigt dat perspectivische signalen niet alleen detecteerbaar zijn, maar ook repair-productief zijn.
• Accommodatie versus Onderhandeling: Stille accommodatie (het flippen van interpretatie zonder frictie-bewegingen) kwam zelden voor (0,2% van de gealigneerde RE's). Het dominante patroon was onderhandelde alignment, wat suggereert dat deelnemers wrijving effectief inzetten wanneer interpretaties verschuiven, maar dat de bottleneck ligt in het tracken van structurele ambiguïteiten die over de dialoogketen terugkeren.

Significantie en Claims
Het artikel claimt dat collaboratieve dialoog niet louter een "gedeelde-context-probleem" is dat opgelost kan worden met grotere context windows of krachtigere modellen. In plaats daarvan, wanneer agenten coördineren onder private informatie, resideert wrijving in de kloof tussen hun informatiehorizons.

De auteurs betogen dat meer context het signaal kan vertroebelen: toegang hebben tot de perspectieven van beide deelnemers (alwetendheid) kan leiden tot een onderschatting van asymmetrische kennis en het missen van kritieke misalignments. Een "kleiner" perspectivisch model, redenerend vanuit een enkel informatiehorizon, presteert beter dan een "alwetend" frontier model in het detecteren en repareren van misalignment.

Het werk vestigt dat de wrijvingsfunctionaal van FPO empirisch geldig is, maar alleen wanneer deze wordt geëvalueerd vanuit de informatiehorizon van elke participant. Dit daagt de standaard aanname in agent-ontwerp uit dat misalignment een dekkingsprobleem is, en stelt in plaats daarvan dat effectieve alignment vereist dat er wordt geredeneerd vanuit een perspectief, en niet over alle perspectieven tegelijkertijd. Het artikel concludeert dat voor multi-agent systemen en mens-AI teaming, wrijving-bewuste systemen moeten worden ontworpen om te redeneren vanuit specifieke, private informatistaten.