論文の概要: Promoting Constructive Deliberation: Reframing for Receptiveness
- arxiv url: http://arxiv.org/abs/2405.15067v1
- Date: Thu, 23 May 2024 21:35:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 18:57:45.411623
- Title: Promoting Constructive Deliberation: Reframing for Receptiveness
- Title(参考訳): コンストラクティブな熟考を促進する - 受容性のためのリフレーミング
- Authors: Gauri Kambhatla, Matthew Lease, Ashwin Rajadesingan,
- Abstract要約: 本稿では,意味を保ちながら信号受容性に対する不一致応答を自動的にリフレーミングする手法を提案する。
Redditのコメントと返信のデータセットを使用して、各戦略に従って返信を自動的に再設定します。
我々のフレームワークで生成された応答は、元の応答よりもはるかに受信性が高いと認識されている。
- 参考スコア(独自算出の注目度): 5.4346288442609945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To promote constructive discussion of controversial topics online, we propose automatic reframing of disagreeing responses to signal receptiveness while preserving meaning. Drawing on research from psychology, communications, and linguistics, we identify six strategies for reframing. We automatically reframe replies according to each strategy, using a dataset of Reddit comments and replies. Through human-centered experiments, we find that the replies generated with our framework are perceived to be significantly more receptive than the original replies, as well as a generic receptiveness baseline. We analyze and discuss the implications of our results and highlight applications to content moderation. Overall, we illustrate how transforming receptiveness, a particular social science construct, into a computational framework, can make LLM generations more aligned with human perceptions.
- Abstract(参考訳): 議論の的となっているトピックをオンラインで構築的に議論するために,意味を保ちながら信号の受容性に反する応答を自動的に再フレーミングする手法を提案する。
心理学、コミュニケーション、言語学の研究に基づいて、リフレーミングの6つの戦略を特定する。
Redditのコメントと返信のデータセットを使用して、各戦略に従って返信を自動的に再設定します。
人間中心の実験を通して、我々のフレームワークで生成された反応は、元の反応よりもはるかに受容性が高いと認識され、また、一般的な受容性ベースラインであることがわかった。
我々は、結果の意味を分析し、議論し、コンテンツモデレーションへの応用を強調します。
全体として、特定の社会科学構造である受容性(receptiveness)を計算フレームワークに変換することで、LLM世代をより人間の知覚に適合させる方法について説明する。
関連論文リスト
- "Is ChatGPT a Better Explainer than My Professor?": Evaluating the Explanation Capabilities of LLMs in Conversation Compared to a Human Baseline [23.81489190082685]
説明は知識共有の基礎を形成し、コミュニケーションの原則、社会的ダイナミクス、学習理論に基づいて構築される。
本研究は、説明者や説明者が会話で採用するさまざまな戦略を理解するための枠組みである説明行為に関する過去の研究を活用し、相手を説明・理解・関与する。
この1年で生成AIが台頭したことにより、LLM(Large Language Models)の能力と、専門家による会話環境における説明能力の強化について、より深く理解したいと思っています。
論文 参考訳(メタデータ) (2024-06-26T17:33:51Z) - Joint Learning of Context and Feedback Embeddings in Spoken Dialogue [3.8673630752805446]
コントラスト学習目標を用いて,同じ表現空間に短い対話コンテキストとフィードバック応答を埋め込む可能性を検討する。
実験結果から,本モデルは人間に同じランキングタスクを施し,学習された埋め込みはフィードバック応答の会話機能に関する情報を伝達することがわかった。
論文 参考訳(メタデータ) (2024-06-11T14:22:37Z) - Socratic Reasoning Improves Positive Text Rewriting [60.56097569286398]
textscSocraticReframeは、一連の質問応答ペアを使用して思考書き換えプロセスの合理化を行う。
ソクラテス的合理性は、心理療法研究の基準によって導かれる自動的評価と人的評価の両方に応じて、肯定的な文章の書き直しを著しく改善することを示した。
論文 参考訳(メタデータ) (2024-03-05T15:05:06Z) - Reasoning in Conversation: Solving Subjective Tasks through Dialogue
Simulation for Large Language Models [56.93074140619464]
本稿では,対話シミュレーションによる主観的課題の解決に焦点を当てたRiC(Reasoning in Conversation)を提案する。
RiCのモチベーションは、チェーン・オブ・ソート・スタイルの合理性を提供するのではなく、対話をシミュレートすることで有用な文脈情報をマイニングすることである。
GPT-4、ChatGPT、OpenChatなど、APIベースのLLMとオープンソースのLLMの両方を12のタスクで評価する。
論文 参考訳(メタデータ) (2024-02-27T05:37:10Z) - Leveraging Implicit Feedback from Deployment Data in Dialogue [83.02878726357523]
本研究では,ユーザ間の自然な対話とデプロイモデルから学習することで,社会的会話エージェントの改善について検討する。
我々は、ユーザ応答長、感情、未来の人間の発話の反応などの信号を、収集された対話エピソードで活用する。
論文 参考訳(メタデータ) (2023-07-26T11:34:53Z) - FCC: Fusing Conversation History and Candidate Provenance for Contextual
Response Ranking in Dialogue Systems [53.89014188309486]
複数のチャネルからコンテキスト情報を統合できるフレキシブルなニューラルネットワークフレームワークを提案する。
会話応答ランキングタスクの評価に広く用いられているMSDialogデータセット上で,本モデルの評価を行った。
論文 参考訳(メタデータ) (2023-03-31T23:58:28Z) - Reflexion: Language Agents with Verbal Reinforcement Learning [44.85337947858337]
リフレクション(Reflexion)は、ウェイトを更新するのではなく、言語フィードバックによって言語エージェントを強化する新しいフレームワークである。
様々なタイプ(スカラー値または自由形式言語)とフィードバック信号のソース(外部または内部シミュレート)を組み込むのに十分な柔軟性がある。
例えば、ReflexionはHumanEvalのコーディングベンチマークで91%のパス@1精度を達成した。
論文 参考訳(メタデータ) (2023-03-20T18:08:50Z) - Learning to Express in Knowledge-Grounded Conversation [62.338124154016825]
本稿では,知識表現の2つの側面,すなわち各部分における内容の応答構造とスタイルについて考察する。
本稿では, セグメンテーションに基づく生成モデルを提案し, 応答における知識表現の基盤となるパターンを発見するために, 変動的アプローチを用いてモデルを最適化する。
論文 参考訳(メタデータ) (2022-04-12T13:43:47Z) - RESPER: Computationally Modelling Resisting Strategies in Persuasive
Conversations [0.7505101297221454]
説得的会話における抵抗戦略を識別するための一般化フレームワークを提案する。
実験では,非協調的目標指向会話におけるパワーロールの非対称性を明らかにする。
また,会話結果に対するさまざまな抵抗戦略の役割についても検討した。
論文 参考訳(メタデータ) (2021-01-26T03:44:17Z) - EnsembleGAN: Adversarial Learning for Retrieval-Generation Ensemble
Model on Short-Text Conversation [37.80290058812499]
アンサンブルGANは、オープンドメイン会話シナリオにおいて、検索世代アンサンブルモデルを強化するための逆学習フレームワークである。
言語モデルのようなジェネレータ、ランカジェネレータ、ランカディミネーターで構成されている。
論文 参考訳(メタデータ) (2020-04-30T05:59:12Z) - Counterfactual Off-Policy Training for Neural Response Generation [94.76649147381232]
本稿では,反実的推論による潜在的応答の探索を提案する。
対人学習の枠組みの下での対物反応の訓練は、潜在的応答空間の高逆領域を探索するのに役立つ。
DailyDialogデータセットに関する実証的研究は、我々のアプローチがHREDモデルを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2020-04-29T22:46:28Z)
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。