Technische Samenvatting: MAPS (Modelleren van Co-existerende Subjectieve Perspectieven en Gedeelde Betekenis in Multi-Agent Cognitieve Dialoog)

Probleemstelling

Huidige AI-dialoogsystemen behandelen taalgeneratie voornamelijk als een puur semantische taak, waarbij wordt geoptimaliseerd voor coherentie en nauwkeurigheid terwijl semantische uniformiteit wordt afgedwongen. Deze benadering onderdrukt de cognitieve heterogeniteit — zoals individuele overtuigingen, emotionele tonen en interpretatieve standpunten — die menselijke communicatie in de echte wereld definieert. Bestaande paradigma's vallen uiteen in twee kampen: grootschalige neurale systemen die vloeiende maar staatloze reacties genereren zonder interne perspectieven, en symbolische systemen die transparantie bieden maar moeite hebben met open-domein flexibiliteit. Geen van beide adresseert effectief de dynamische balans tussen subjectieve realisatie (het behouden van individuele cognitieve profielen) en gedeelde betekenis (convergeren op wederzijds begrip).

Methodologie: Het MAPS-framework

De auteurs stellen MAPS (Multi-Agent Perspective Spaces) voor, een framework ontworpen om dialoog te modelleren tussen cognitief onderscheidende agenten. MAPS operationaliseert subjectiviteit door drie kernmechanismen die agenten in staat stellen hun individuele redenering te behouden terwijl ze progressief convergeren op gedeelde betekenis.

1. Gedeelde Semantische Ruimte

Om alignment te faciliteren, aggregeert MAPS agent-specifieke token-embeddings ($E^{(i)}_t$) tot een verenigde gedeelde semantische embedding ($E^{shared}_t$) bij elke dialoogbeurt:
$$E^{shared}_t = \frac{1}{N} \sum_{i=1}^{N} E^{(i)}_t$$
Deze ruimte dient als een gemeenschappelijk referentiepunt, waardoor agenten hun begrip kunnen afstemmen zonder hun individuele perspectieven uit te wissen.

2. Domein-geconditioneerde Perspectief-adapter

Terwijl de gedeelde ruimte collectieve betekenis vangt, conditioneert elke agent zijn private realisatie op basis van specifieke domeinexpertise en persoonlijkheidskenmerken. Elke agent $i$ is geassocieerd met een domeingewichtsvector $w^{(i)}$ die relevantie over $n$ cognitieve of taakdomeinen codeert. De subjectieve interpretatie van de agent wordt gegenereerd via een Multi-Layer Perceptron (MLP):
$$E^{(i)}_{private,t} = \text{MLP}(E^{shared}_t \oplus w^{(i)})$$
waarbij $\oplus$ de vectorconcentratie (concatenation) voorstelt. Dit mechanisme injecteert agent-specifieke biases in de gedeelde representatie, wat subjectieve realisatie mogelijk maakt.

3. Dynamisch Geheugen via GRU

Om temporele redenering en contextuele bewustheid te ondersteunen, onderhoudt elke agent een dynamische geheugenstatus met behulp van een Gated Recurrent Unit (GRU). De private representatie wordt geïntegreerd in de recurrente status:
$$h^{(i)}_t = \text{GRU}(E^{(i)}_{private,t}, h^{(i)}_{t-1})$$
Deze status codeert de evoluerende perspectief van de agent en dient als basis voor het genereren van reacties en verdere redenering.

4. Interpreteerbaarheid door Ontwerp

Het framework bevat token-niveau zelf-aandacht (self-attention) binnen elke agent om intra-agent salientie te modelleren. Dit biedt interpreteerbare inzichten in welke tokens de redenering van een agent beïnvloeden, waardoor interne besluitvormingspaden zichtbaar worden.

Experimentele Opzet

• Datasets: EmpatheticDialogues (emotioneel genuanceerd), TopicalChat (open-domein) en MultiWOZ (taakgericht).
• Agent Profielen: Twee onderscheidende profielen werden gedefieerd via domeingewichten: "Spiritueel/Hoge Emotie" (affect-georiënteerd) en "Rationeel/Lage Emotie" (logica-georiënteerd).
• Architectuur: Sentence-BERT voor codering, een 2-laagse MLP voor de perspectief-adapter, een 1-laagse GRU voor geheugen, en FLAN-T5 Large voor reactiegeneratie.
• Training: Domeingewichten werden geoptimaliseerd over 20 epochs om de afstand tussen de embeddings van verschillende agenten te minimaliseren terwijl het profiel-gestuurde subjectiviteit behouden bleef.

Belangrijkste Resultaten

De evaluatie maakte gebruik van drie metrieken: Semantische Bias (Euclidische afstand tussen verborgen staten), Distinct-2 (lexicale diversiteit) en Subjectiviteitsscore (variantie tussen private en gedeelde representaties).

1. Semantische Convergentie zonder Uniformiteit: Agenten stemden hun semantische representaties progressief op elkaar af (afnemende semantische bias) tijdens de training. Echter, de subjectiviteitsscores bleven hoog, wat aangeeft dat agenten ook na het bereiken van semantische coherentie hun onderscheidende realisatiestijlen behielden.
2. Divergerende Redeneerpaden: Visuele analyse van domeininvloed en token-aandacht onthulde dat hoewel oppervlakkige reacties konden overeenstemmen (bijv. beide agenten zeggen "Ze is weg"), de onderliggende redenering verschilde. De "Spirituele" agent richtte zich op existentieel verlies, terwijl de "Rationale" agent zich richtte op feitelijke erkenning.
3. Generalisatie:
   • In MultiWOZ (beperkt, doelgericht), convergeerden agenten pragmatisch maar behielden ze subtiele subjectieve inkadering (bijv. beleefde versus feitelijke bevestigingen).
   • In TopicalChat (open-domein), vertoonden agenten een grotere interpretatieve divergentie en uitten zij genuanceerde emotionele standpunten.
4. Ablatie-studies: Bij het vergelijken van de volledige MAPS met varianten zonder GRU (Geheugen) of zonder Perspectief-adapters (Shallow Model) werd vastgesteld dat:
   • Het verwijderen van de GRU de bias drastisch verminderde maar de temporele coherentie deed verliezen.
   • Het verwijderen van de Perspectief-adapter (Shallow Model) resulteerde in bijna nul bias, maar offerde nuance, differentiatie en diversiteit op.
   • De Volledige MAPS architectuur bereikte de beste balans tussen relevantie, diversiteit en gematigde semantische alignment.

Betekenis en Claims

Het artikel beweert dat MAPS een cognitief gefundeerd pad biedt naar interpreteerbare dialoogsystemen. De primaire betekenis ligt in het overbruggen van de kloof tussen symbolische redenering en grootschalige neurale generatie door:

• Subjectieve Diversiteit Mogelijk te Maken: Agenten in staat stellen om te handelen als sociaal gesitueerde participanten met stabiele interne perspectieven in plaats van staatloze transformers.
• Transparante Redenering: Cognitieve processen zichtbaar maken via domeininfluentie-plots en token-niveau aandacht, waardoor analisten kunnen zien hoe een agent tot een conclusie komt op basis van zijn specifieke cognitieve profiel.
• Balans tussen Coherentie en Individualiteit: Aantonen dat semantische alignment niet hoeft te leiden tot de instorting van de individualiteit van de agent.

De auteurs concluderen dat door agenten te modelleren als entiteiten die in staat zijn te handelen, te reflecteren en betekenis te onderhandelen, MAPS een fundament biedt voor toekomstige systemen waar betekenis actief wordt onderhandeld in plaats van enkel uitgewisseld, wat de rijkdom van menselijke communicatie weerspiegelt. Het werk blijft bescheiden over de huidige beperkingen, waarbij wordt opgemerkt dat domeinprofielen handmatig worden gedefinieerd, het geheugen kortetermijn is en subjectieve realisatie moeilijk volledig te kwantificeren is zonder menselijke evaluatie.