📄 social_science

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

本研究分析了超过12,000个二元组，旨在证明虽然人口统计学特征和人格特质解释了轮替变化的极小部分，但大部分时机差异是由独特的说话者、对话者以及二元互动驱动的，这些差异无法仅通过个体属性来完全预测。

原作者： Julio Cesar Cavalcanti, Plinio A. Barbosa, Sandra Madureira, Tony Berber Sardinha, Gabriel Skantze

发布于 2026-08-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Julio Cesar Cavalcanti, Plinio A. Barbosa, Sandra Madureira, Tony Berber Sardinha, Gabriel Skantze

原始论文采用 CC BY 4.0 许可（https://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

无形的对话之舞

想象一下你正身处一个热闹的派对。你正试图与一位朋友聊天，但房间里非常嘈杂。为了让对话持续进行，你和你的朋友必须进行一场高速的、无形的舞蹈。你不能只是等待对方停止说话后再开始，你必须精准地预测他们何时结束，以便在完美的时刻切入。如果你切入得太早，就会造成“插话”（即“重叠”）；如果你等待得太久，则会出现尴尬的沉默（即“间隙”）。

科学家们称之为轮次转换（turn-taking）。这种有节奏的往复循环让人的对话感觉流畅，而不是像一场球总是掉在地上的乒乓球游戏。长期以来，研究人员一直在争论我们为什么要这样“跳舞”。是因为我们的个人特质吗？也许你天生说话很快，因为你是外向型人格；或者你说话较慢，是因为你的年龄或性别。又或者，这是发生在两个人之间的事情？也许这场舞蹈并不关乎你个人的舞步，而在于你与你特定的搭档配合得有多好，无论你们各自是谁。

这个问题至关重要，因为如果我们想要制造出能像人类一样交谈的机器人，或者开发能帮助人们更好地沟通的应用软件，我们需要知道：我们是应该为机器人程序中植入你的个性，还是需要教它如何专门与你一起起舞？

伟大的对话实验

在这项研究中，一个研究小组决定通过观察大量的现实世界数据来解决这场争论。他们不仅仅是观察少数人的聊天，而是分析了来自两个庞大数据库的超过 12,000 段对话。其中一个名为 Fisher 的数据库包含了陌生人之间的电话通话；另一个名为 CANDOR 的数据库则包含了陌生人之间的视频通话。由于这些数据库中的许多人会与多个不同的对象交谈，研究人员可以玩一个聪明的“寻找模式”的游戏。

他们提出了这样一个问题：如果 A 与 B 交谈，然后 A 又与 C 交谈，A 的说话方式在两次交谈中是一样的吗？（这意味着这完全取决于行为者/个体）。或者，A 是否会根据是在与 B 还是与 C 交谈而改变说话方式？（这意味着这取决于伙伴/对象）。最后，是否存在一种只在 A 与 B 在一起时才会发生的特殊“魔力”，这种模式在 A 或 B 与他人交谈时就会消失？（这就是二元组/配对，即两人组合）。

为了衡量这一点，他们观察了四个特定的“舞蹈动作”：

话权转移偏移量 (FTO)： 一人停止说话与另一人开始说话之间精确的毫秒数。
重叠 (Overlap)： 人们互相抢话/同时说话的时间。
停顿 (Pauses)： 在一个人持有话权期间发生的沉默时间。
言语活动度 (Speech Activity)： 一个人在总对话时间内实际获得说话时间的比例。

令人惊讶的结果：情况很复杂！

研究人员发现，并没有单一的标准答案。这场“舞蹈”完全取决于你在观察哪种动作。

“二元组”赢得了计时赛
当涉及到轮次转换的瞬时计时（FTO）时，最重要的因素是配对本身。研究人员发现，两个特定的人之间的化学反应解释了其计时差异中的大部分变化。即使在考虑了说话者及其伙伴的身份之后，那对特定组合所拥有的独特“氛围”仍然对计时起到了最大的影响。在电话数据中，这对组合解释了 54% 的计时差异；在视频数据中，这一比例为 34%。这表明，对话的“时钟”是由正在一起跳舞的两个人共同设定的，而不仅仅是由个体决定的。

“行为者”主导了沉默
然而，当涉及到停顿（持有话权时的沉默）时，个体说话者才是老大。研究人员发现，你停顿多少主要取决于你自己。如果你是一个经常停顿的人，无论你在和谁说话，你都会经常停顿。这是最受“行为者驱动”的指标，意味着你的个人风格主导了沉默。

“言语活动度”是团队协作
对于言语活动度（谁说话的时间更多），这是一个混合体。你的个人性格和习惯是最大的因素（行为者），但你的伙伴也至关重要。如果你面对一个强势的伙伴，即使你平时是个话痨，你也可能说得较少。研究人员发现，虽然你的自身特质解释了最多的变化，但你的伙伴身份仍然解释了显著的一部分差异。

“重叠”是一个变色龙
互相抢话（重叠）的程度是最令人困惑的。在视频对话中，它似乎主要取决于说话者。但在电话通话中，它主要取决于听者。这表明，我们如何插话或重叠，可能会根据媒介（视频 vs 音频）以及我们如何解读对方的线索而发生变化。

你的人口统计特征重要吗？

你可能会想：“那么，我是男人、女人、年轻人、老年人，还是拥有某种性格，会改变我的说话方式吗？”

答案是：是的，但并没有你想象中那么重要。

研究人员测试了性别、年龄、受教育程度和性格是否可以预测这些模式。他们发现，这些因素确实有用，但它们只解释了谜题中很小的一部分——大约 6% 到 16% 的总变化。

性别是最一致的预测因子。男性倾向于在轮次之间留出稍长的间隙，且在抢话方面比女性稍微少一些。
年龄和性格（特别是外向性）也发挥了作用，尤其是在人们说话的频率方面。
然而，即便掌握了所有这些细节，研究人员仍无法仅凭一个人的个人资料来预测一场对话。特定配对的“魔力”和独特的语境仍然占据主导地位。

这对未来意味着什么

该研究的结论是，我们不仅仅是人口统计学特征的集合。我们不是只有固定交谈风格的“外向型男性”或“年长女性”。我们是动态的舞者，会根据舞伴的不同而改变舞步。

对于未来的机器人和人工智能系统来说，这是一个重要的启示。如果你想让机器人说话自然，你不能仅仅为它设定用户的个性。你必须教它去倾听那个“配对”。机器人需要学习到，这个特定的人在与这个特定机器人交谈时，其方式与他/她与母亲或老板交谈时是不一样的。对话的节奏不仅仅是一场独奏；它是一场二重奏，而音乐往往是由正在一起演奏的两个人共同谱写的，而不是由他们口袋里的乐谱决定的。

技术摘要：量化轮次转换中的变异来源

问题陈述
人类对话依赖于精确的时间协调，然而时间变异的分布情况尚不明确。行为科学领域存在一个根本性的争论：轮次转换（turn-taking）的时序性究竟是属于个体的稳定特征（由人口统计学和人格驱动），还是由二元系统（dyadic system）产生的涌现属性（由特定的配对驱动）。传统的处理方法通常将变异归因于“说话者是谁”，而交互论（interactionist theories）则认为时序是由相互调谐（mutual entrainment）产生的。由于样本量较小且说话者配对范围狭窄，历史上很难将个体特质与伴侣相关的诱发效应以及独特的配对化学反应区分开来。本研究旨在量化人口统计学和人格在多大程度上解释了轮次转换的变异，并将其与重复出现的说话者倾向、对话者倾向以及特定二元结构进行对比。

研究方法
作者分析了来自两个不同语料库的 12,000 多个二元组（dyads）：

CANDOR： 一个多模态、视频媒介的自然在线对话语料库（时长至少 25 分钟）。
Fisher： 一个音频形式的电话对话语料库（约 10 分钟，采用指定话题）。

数据结构：
在两个样本中，超过一半的参与者都以多次身份出现在不同的对话者中。这种重复出现性允许使用混合效应模型（mixed-effects models）将变异分解为三个随机截距组件：

特异性（Idiosyncrasy, Actor）： 在不同对话者之间随焦点说话者重复出现的变异。
他者特异性（Allosyncrasy, Partner）： 当特定的人担任对话者时，焦点说话者结果中重复出现的变异。
二元特异性（Dyadosyncrasy, Dyad）： 与特定无序配对相关的额外变异。

指标：
研究考察了四个轮次转换指标：

话权转移偏移（Floor Transfer Offset, FTO）： 轮次之间的平均时间偏移（间隙或重叠）。
重叠（Overlap）： 说话者总重叠时间与其总说话时间的比例。
停顿（Pauses）： 轮次内沉默时间与总活跃时间的比例。
言语活动（Speech Activity）： 总说话时间与总交互时间的比例。

预测因子：
固定效应包括人口统计学和性格属性（性别、年龄、受教育程度、种族/民族、人格、社会地位、方言、话题）。研究采用了面向说话者的混合模型，其中说话者和对话者的角色在对话的第二次观察中会发生反转。通过边际 $R^2$ （仅固定效应）和条件 $R^2$ （固定 + 随机效应）评估模型拟合度。重要性通过全减限制消融法（full-minus-restricted ablation，即移除特定的截距或预测因子块）和方差分解来确定。

关键结果

变异来源：
- FTO： 显示出最清晰的二元关联结构。在两个语料库中，移除二元截距都会导致条件 $R^2$ 最大程度的损失。在 Fisher 中，二元组解释了 54% 的总方差，相比之下，说话者（actor）为 11%，对话者（partner）为 8%。
- 停顿： 表现出一致的说话者主导特征。说话者方差占总方差的 31–37%，显著高于对话者或二元组的份额。
- 言语活动： 由说话者主导，但也包含可观的对话者相关变效。说话者份额在 CANDOR 中为 37%，在 Fisher 中为 48%；对话者份额分别为 21% 和 13%。由于话权份额的结构性相互依赖，主模型无法保留共享的二元截距。
- 重叠： 主要变异来源取决于语料库和标准化方式。在 CANDOR 中，它由说话者主导；在 Fisher 中，则由对话者主导。
人口统计学与人格的预测能力：
- 固定效应（人口统计学和人格）解释了约 6–16% 的总结果方差。
- 性别和年龄是跨指标和跨语料库最一致的人口统计学预测因子。
- 人格显著改善了 CANDOR 中所有四种结果的扩展模型，其对言语活动的效应最强（ $\Delta R^2_m = .062$ ）。在仅包含性别、年龄和受教育程度的基础模型中，人格对于 FTO ( $p=.116$ ) 或停顿 ( $p=.244$ ) 不是显著预测因子；只有当模型扩展到包含其他协变量（如种族/民族、地位）时，人格才变得显著（对于停顿， $p=.037$ 达到边缘显著）。
- 移除二元截距会导致 FTO 的条件 $R^2$ 最大损失，而移除说话者截距则会导致停顿和言语活动的最大损失。
语料库差异：
- CANDOR 的说话者表现出比 Fisher 说话者更长的轮次内停顿。作者指出，这可能反映了视频通话中的多模态协调（视觉线索），但研究无法将模态与其他混杂因素（周期、任务、技术）分离。
- Fisher 中由对话者主导的重叠以及更大的 FTO/停顿二元份额，表明在纯音频设置中存在更稳定的配对特定声学时序模式。

意义与主张
本文声称区分了三种特定的变异类型：

特异性（Idiosyncrasies）： 随焦点说话者重复出现的变异。
他者特异性（Allosyncrasies）： 当某人作为对话者时重复出现的变异。
二元特异性（Dyadosyncrasies）： 与特定二元组相关的变异。

研究结论认为，没有任何单一成分在所有轮次转换指标中都占据主导地位。虽然人口统计学和人格提供了基准，但它们并未穷尽与说话者、对话者及二元组相关的变异。具体而言：

FTO 主要是二元系统的属性。
停顿主要是个体的属性。
言语活动 是个体主导地位与对话者影响力的结合。

作者提醒，虽然二元组成分捕捉到了共享的时序偏移，但这并不能最终证明是相互适应（mutual accommodation）还是单方面调整（unilateral adaptation）。他们建议，对话系统（例如人机交互）不应仅仅依赖用户层面的平均值来制定时序策略，而必须考虑特定交互的校准。研究结果支持了一种多参数视角，即轮次转换的“通用时钟”会根据所测量的具体指标进行不同的校准。