論文の概要: Analyzing Team Performance with Embeddings from Multiparty Dialogues

• arxiv url: http://arxiv.org/abs/2101.09421v1
• Date: Sat, 23 Jan 2021 05:18:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-20 14:47:39.466230
• Title: Analyzing Team Performance with Embeddings from Multiparty Dialogues
• Title（参考訳）: 多人数対話からの埋め込みによるチームパフォーマンスの分析
• Authors: Ayesha Enayet and Gita Sukthankar
• Abstract要約: 本稿では,多人数対話から学習した組込みによるチームパフォーマンス予測の問題について検討する。 構文的訓練とは異なり、対話行為と感情埋め込みは、初期の段階でもチームのパフォーマンスを分類するのに有効である。
• 参考スコア（独自算出の注目度）: 1.8275108630751844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Good communication is indubitably the foundation of effective teamwork. Over time teams develop their own communication styles and often exhibit entrainment, a conversational phenomena in which humans synchronize their linguistic choices. This paper examines the problem of predicting team performance from embeddings learned from multiparty dialogues such that teams with similar conflict scores lie close to one another in vector space. Embeddings were extracted from three types of features: 1) dialogue acts 2) sentiment polarity 3) syntactic entrainment. Although all of these features can be used to effectively predict team performance, their utility varies by the teamwork phase. We separate the dialogues of players playing a cooperative game into stages: 1) early (knowledge building) 2) middle (problem-solving) and 3) late (culmination). Unlike syntactic entrainment, both dialogue act and sentiment embeddings are effective for classifying team performance, even during the initial phase. This finding has potential ramifications for the development of conversational agents that facilitate teaming.
• Abstract（参考訳）: 優れたコミュニケーションは間違いなく効果的なチームワークの基礎です。 時間とともにチームは独自のコミュニケーションスタイルを開発し、人間が言語選択を同期する会話的現象であるエントレーメント(entrainment)をしばしば提示する。 本稿では,類似するコンフリクトスコアを持つチームがベクトル空間内に存在するような,多人数対話から学習した組込みによるチームパフォーマンス予測の問題について検討する。 埋め込みは,1)対話行為,2)感情極性,3)統語訓練の3種類の特徴から抽出された。 これらの機能はすべて、チームのパフォーマンスを効果的に予測するために使用できますが、そのユーティリティはチームワークフェーズによって異なります。 1)早期(知識建物)、2)中間(問題解決)、3)後期(彫刻)の対話を段階的に分割する。 構文的訓練とは異なり、対話行為と感情埋め込みは、初期の段階でもチームのパフォーマンスを分類するのに有効である。 この発見は、チーム形成を促進する会話エージェントの開発に潜在的な影響をもたらす。

関連論文リスト

• ML-SPEAK: A Theory-Guided Machine Learning Method for Studying and Predicting Conversational Turn-taking Patterns [25.049072387358244]
  自己組織化チーム内で対話型ターンテイクの計算モデルを開発する。 個人の性格特性とチームのコミュニケーションパターンのギャップを埋めることで、私たちのモデルはチームプロセスの理論を伝えることができるのです。
  論文  参考訳（メタデータ） (2024-11-23T01:27:01Z)
• GOMA: Proactive Embodied Cooperative Communication via Goal-Oriented Mental Alignment [72.96949760114575]
  我々は、ゴール指向メンタルアライメント(GOMA)という新しい協調コミュニケーションフレームワークを提案する。 GOMAは、目標に関連のあるエージェントの精神状態のミスアライメントを最小限に抑える計画問題として、言語コミュニケーションを定式化している。 我々は,Overcooked(マルチプレイヤーゲーム)とVirtualHome(家庭用シミュレータ)の2つの挑戦環境において,強いベースラインに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2024-03-17T03:52:52Z)
• Informational Diversity and Affinity Bias in Team Growth Dynamics [6.729250803621849]
  情報多様性の利点は親和性バイアスと緊張関係にあることを示す。 本結果は,情報多様性を促進するためのユーティリティベースのモチベーションの基本的な制限を定式化した。
  論文  参考訳（メタデータ） (2023-01-28T05:02:40Z)
• Hidden Agenda: a Social Deduction Game with Diverse Learned Equilibria [57.74495091445414]
  社会的推論ゲームは、個人が他人に関する潜在的に信頼できない情報を合成する方法を学ぶための道を提供する。 本研究では,未知のチームアライメントのシナリオにおいて,学習エージェントを研究するための2D環境を提供する2チームソーシャル推論ゲームであるHidden Agendaを紹介する。 Hidden Agendaで訓練された強化学習エージェントは、自然言語でのコミュニケーションを必要とせずに、協力や投票など、さまざまな行動を学ぶことができることを示した。
  論文  参考訳（メタデータ） (2022-01-05T20:54:10Z)
• Few-shot Language Coordination by Modeling Theory of Mind [95.54446989205117]
  我々は、数ショット$textit language coordinate$のタスクについて研究する。 リードエージェントは、言語能力の異なるエージェントの$textitpopulation$と調整する必要があります。 これは、人間のコミュニケーションの重要な構成要素であるパートナーの信念をモデル化する能力を必要とする。
  論文  参考訳（メタデータ） (2021-07-12T19:26:11Z)
• Structural Pre-training for Dialogue Comprehension [51.215629336320305]
  本稿では,SPIDER, Structure Pre-trained DialoguE Readerについて述べる。 対話のような特徴をシミュレートするために,元のLM目的に加えて,2つの訓練目標を提案する。 広く使われている対話ベンチマークの実験結果から,新たに導入した自己教師型タスクの有効性が検証された。
  論文  参考訳（メタデータ） (2021-05-23T15:16:54Z)
• My Team Will Go On: Differentiating High and Low Viability Teams through Team Interaction [17.729317295204368]
  オンラインチームの669の10分間のテキスト会話のデータセット上で、生存可能性分類モデルをトレーニングする。 その結果,ラッソ回帰モデルにより,可視性スコアの分類のしきい値が異なる.74--.92 AUC ROCの精度が得られることがわかった。
  論文  参考訳（メタデータ） (2020-10-14T21:33:36Z)
• Will I Sound Like Me? Improving Persona Consistency in Dialogues through Pragmatic Self-Consciousness [62.55060760615656]
  一貫性に対処する最近のモデルは、しばしば追加の自然言語推論(NLI)ラベルでトレーニングするか、あるいは一貫性を維持するためにトレーニングされた追加モジュールを生成エージェントにアタッチする。 社会的認知と実用性に触発されて、私たちは既存の対話エージェントに、想像上のリスナーを通して、公的な自己意識を持たせました。 我々のアプローチは、Rational Speech Actsフレームワークに基づいて、会話エージェントに矛盾の発声を控えるように強制することができる。
  論文  参考訳（メタデータ） (2020-04-13T08:16:16Z)
• On Emergent Communication in Competitive Multi-Agent Teams [116.95067289206919]
  外部のエージェントチームによるパフォーマンスの競争が社会的影響として作用するかどうかを検討する。 以上の結果から,外部競争の影響により精度と一般化が向上し,コミュニケーション言語が急速に出現することが示唆された。
  論文  参考訳（メタデータ） (2020-03-04T01:14:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。