LLM-Based Selection of Incongruent Verbal and Nonverbal Behavior for Virtual Humans
Este artigo propõe uma taxonomia para desajustes verbais-não verbais baseada na estrutura de Ekman, investiga o uso de grandes modelos de linguagem para selecionar comportamentos incongruentes contextualmente apropriados para humanos virtuais e valida sua eficácia na produção de efeitos pretendidos no observador por meio de um estudo com seres humanos.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Nos espaços silenciosos entre as palavras ditas, a comunicação humana costuma realizar o seu trabalho mais complexo. Quando falamos, não apenas transmitimos informações; projetamos nossos sentimentos, nossa posição social e nossas intenções ocultas através de nossos rostos, nossos olhos e nossa postura. Esses sinais silenciosos, conhecidos como comportamentos não verbais, podem reforçar o que dizemos, mas também podem contradiz-lo. Uma pessoa pode dizer "estou bem" enquanto seu rosto se contrai de preocupação, ou oferecer um elogio com um tom que sugere deboche. Essa capacidade de deixar o corpo trair a boca, ou de mascarar sentimentos verdadeiros atrás de um sorriso educado, é uma parte fundamental de como os seres humanos navegam em relacionamentos, gerenciam conflitos e sinalizam confiança. Por décadas, pesquisadores tentaram ensinar computadores a imitar essa complexidade, construindo agentes virtuais que podem se mover e gesticular como pessoas. No entanto, a maioria desses personagens digitais tem sido limitada a uma regra simples: se as palavras são felizes, o rosto deve ser feliz. Eles têm dificuldade em entender que, às vezes, a coisa mais honesta que uma pessoa pode fazer é dizer uma coisa enquanto seu corpo diz outra.
Uma equipe de pesquisadores da Northeastern University decidiu mudar essa limitação. Eles queriam ver se poderiam ensinar um humano virtual a gerar esses comportamentos sutis e contraditórios automaticamente, usando um tipo de inteligência artificial conhecido como modelo de linguagem de grande escala. Esses modelos são sistemas poderosos treinados em vastas quantidades de texto, capazes de compreender contexto e nuances. Os pesquisadores fizeram uma pergunta específica: se dessem ao computador uma conversa e uma descrição da situação, ele conseguiria descobrir quando o falante deveria parecer infeliz ao dizer algo gentil, ou parecer amigável ao entregar más notícias? Eles não queriam apenas que o computador adivinhasse; eles queriam ver se o computador poderia fazer essas escolhas de uma forma que parecesse real para observadores humanos.
Para testar isso, a equipe primeiro criou um mapa das diferentes maneiras pelas quais as pessoas desconectam suas palavras de suas ações. Eles identificaram quatro razões principais pelas quais uma pessoa pode fazer isso. Às vezes é ironia, onde um falante usa o elogio para insultar alguém ou a crítica para demonstrar afeto. Outras vezes, trata-se de salvar a face, onde uma pessoa suaviza uma crítica dura com um sorriso caloroso para evitar ferir sentimentos, ou força um sorriso educado para esconder sua própria raiva. Há também a decepção, onde uma pessoa tenta esconder uma emoção secreta, e a regulação emocional, onde alguém tenta suprimir um sentimento que está borbulhando em seu interior. Usando essas categorias, os pesquisadores desenharam oito cenários específicos, como um funcionário júnior falando com um chefe que acabou de aumentar sua carga de trabalho, ou uma mãe dando feedback ao seu filho adolescente.
Os pesquisadores então testaram três maneiras diferentes de pedir ao computador para gerar o comportamento. No primeiro método, deram ao computador apenas a frase falada. No segundo, adicionaram o histórico da conversa que precedeu aquela frase. No terceiro método, o mais detalhado, forneceram o histórico da conversa mais uma descrição escrita sobre o relacionamento entre os falantes e o cenário social. O computador, alimentado por um modelo chamado Claude, foi solicitado a decidir o que o rosto e os olhos do personagem deveriam fazer para cada frase. Os resultados foram claros: quando o computador recebia apenas as palavras, ele fazia o personagem parecer majoritariamente feliz quando as palavras eram felizes e triste quando as palavras eram tristes. Mas quando os pesquisadores forneceram o contexto completo — a dinâmica de poder, o histórico e a pressão social — o computador começou a escolher comportamentos que contradiziam as palavras. No cenário em que um funcionário júnior tinha que concordar com mais trabalho de um chefe exigente, o computador selecionou um sorriso pequeno e contido, acompanhado de um breve desvio do olhar e um tensionamento dos lábios. Ele entendeu que o funcionário estava dizendo "sim" enquanto sentia "não".
Para ver se essas escolhas geradas pelo computador realmente funcionavam, os pesquisadores transformaram as instruções digitais em clipes de vídeo de um humano virtual e os mostraram a pessoas. No primeiro estudo, pediram aos participantes que assistissem a pares de vídeos e decidissem qual falante tinha uma atitude mais positiva. Quando o humano virtual dizia algo positivo, mas parecia negativo, as pessoas consistentemente classificavam a atitude como menos positiva do que quando o humano parecia feliz. Quando o humano dizia algo negativo, mas sorria calorosamente, as pessoas classificavam a atitude como mais positiva do que quando o humano parecia irritado. O segundo estudo foi mais profundo, perguntando às pessoas para avaliarem as emoções específicas que viam. Os resultados mostraram que as pistas não verbais que o computador selecionou foram poderosas o suficiente para mudar como as pessoas sentiam em relação às emoções do falante. Se o computador escolheu um franzir de testa para acompanhar uma frase feliz, as pessoas relataram sentir que o falante estava, na verdade, irritado ou sarcástico. Se o computador escolheu um sorriso caloroso para acompanhar uma frase triste, as pessoas relataram sentir compaixão em vez de raiva.
O estudo confirma que fornecer a uma inteligência artificial o contexto social completo de uma conversa permite que ela gere comportamentos não verbais que são muito mais humanos do que aqueles baseados apenas em palavras. O computador não apenas repetiu a emoção da frase; ele interpretou a situação e decidiu que um descompasso era a resposta mais honesta. Embora os pesquisadores tenham observado que seu sistema ainda precisa de trabalho para lidar com gestos e tom de voz, e que os vídeos eram curtos, a descoberta central é significativa. Isso sugere que, para que humanos virtuais sejam verdadeiramente convincentes, especialmente em funções como treinamento de terapeutas ou negociações, eles devem ser capazes de deixar seus corpos contarem uma história diferente de suas bocas. O computador aprendeu que, às vezes, a verdade não está nas palavras, mas no silêncio entre elas.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.