TIDES: A Longitudinal Bilingual Dataset for Modeling Multi-Party Social Dynamics
本文介绍了 TIDES，这是一个包含 12 个大学团队在整个学期内的高分辨率纵向双语数据集，该研究表明，虽然针对其社会结构标注进行微调能显著提高对下一发言者的预测能力，但并不一定会增强生成的复数参与对话的自然度或连贯性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正走进一家熙熙攘攘的咖啡馆。你听到一群朋友在欢笑、争论，并计划着一次公路旅行。你不需要知道他们的名字就能猜到谁是下一个发言者；你只需要聆听其中的节奏。一个人结束了一句话，停顿了一下，另一个人便顺势插进一个笑话。这种节奏被称为轮次转换（turn-taking），它是维系任何对话的无形胶水。长期以来，计算机程序（称为大语言模型，或 LLM）在进行一对一聊天方面表现出色，就像两个人之间的短信交流。但当你把一整个群体投入其中时，这些计算机就会感到困惑。它们难以理解真实群体中那种混乱且不断变化的舞步——在那里，角色在变动，内部梗在产生，对话的流动方式每次都各不相同。科学家们希望构建能够自然加入这些群体的 AI，但要做到这一点，他们需要研究人类在真实时间维度下是如何表现的，而不仅仅是研究简短、虚假的实验。
这正是名为 TIDES 的一项新研究发挥作用的地方。来自 KAIST 的研究团队决定停止猜测，开始观察。他们追踪了 12 支真实的大学生团队，记录了他们整个学期的项目进展。研究人员并没有给他们一个虚假的剧本去遵循，而是让他们随性发挥，记录了 88 场会议中的 7.5 万多句口语。他们不仅在听“说了什么”，还在追踪“谁在做什么”，记录下随着周复一周的推进，学生何时成为了“领导者”、“批评者”或“问题解决者”。这就像是在拍摄一整季真人秀，但比起戏剧冲突，它关注的是团队如何共同解决问题。
随后，团队教导一个计算机模型观看这些录像，并预测谁是下一个发言者。结果令人惊喜。当模型从这些现实世界的数据中学习时，它预测下一个发言者的成功率大幅提升——从 50% 的猜测准确率跃升至 64.5%。它甚至击败了一些目前最昂贵、最强大的 AI 模型，而且使用的训练数据不到后者的一半。模型发现，在团队初期（大家还很尴尬、处于摸索阶段时），对话是混乱且难以预测的。但随着团队趋于成熟并找到自己的节奏，模式变得清晰，AI 甚至能提前预见到下一个发言者的到来。
然而，故事中有一个转折。研究人员提出了一个关键问题：仅仅因为 AI 能猜出“谁”是下一个发言者，是否意味着它能以自然的方式写出那个人“说的话”？他们通过让 AI 为对话生成新的句子来测试这一点。在这里，结果却有些令人失望。尽管 AI 非常擅长预测对话的“结构”，但它实际写出的句子在人类听众看来却显得生硬且机械。人们更倾向于选择那些“原味”（未经修改）的 AI 模型，尽管这些模型在预测谁会说话方面表现较差，但听起来更自然。
这表明存在一种有趣的错位：AI 完美地学会了“舞步”（谁在何时移动），但它还没有完全学会“音乐”（如何用人类的方式表达）。这项研究表明，理解群体的社会结构是向前迈出的一大步，但这并不自动意味着 AI 会变成更好的对话者。这就像是教会一个机器人足球规则，让它非常清楚什么时候该传球，但当它真正踢球时，它仍然会把自己绊倒。研究人员总结道，虽然我们在模拟群体谈话的“流向”方面做得越来越好，但距离让 AI 真正加入人类团队并像哥们儿一样聊天，我们还有很长的路要走。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。