論文の概要: Self-Anchored Attention Model for Sample-Efficient Classification of Prosocial Text Chat
- arxiv url: http://arxiv.org/abs/2506.09259v1
- Date: Tue, 10 Jun 2025 21:40:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 06:35:02.10659
- Title: Self-Anchored Attention Model for Sample-Efficient Classification of Prosocial Text Chat
- Title（参考訳）: ソーシャルテキストチャットのサンプル効率的な分類のための自己認識型注意モデル
- Authors: Zhuofang Li, Rafal Kocielnik, Fereshteh Soltani, Penphob, Boonyarungsrit, Animashree Anandkumar, R. Michael Alvarez,
- Abstract要約: 本研究は,ゲーム内チャットにおけるソーシャル行動の発見と分類にNLP技術を適用した新しい研究である。
これは、モデレーションの焦点を単に毒性を罰することから、オンラインプラットフォームにおける積極的なポジティブな相互作用へとシフトさせるのに役立つ。
- 参考スコア（独自算出の注目度）: 44.52122332148653
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Millions of players engage daily in competitive online games, communicating through in-game chat. Prior research has focused on detecting relatively small volumes of toxic content using various Natural Language Processing (NLP) techniques for the purpose of moderation. However, recent studies emphasize the importance of detecting prosocial communication, which can be as crucial as identifying toxic interactions. Recognizing prosocial behavior allows for its analysis, rewarding, and promotion. Unlike toxicity, there are limited datasets, models, and resources for identifying prosocial behaviors in game-chat text. In this work, we employed unsupervised discovery combined with game domain expert collaboration to identify and categorize prosocial player behaviors from game chat. We further propose a novel Self-Anchored Attention Model (SAAM) which gives 7.9% improvement compared to the best existing technique. The approach utilizes the entire training set as "anchors" to help improve model performance under the scarcity of training data. This approach led to the development of the first automated system for classifying prosocial behaviors in in-game chats, particularly given the low-resource settings where large-scale labeled data is not available. Our methodology was applied to one of the most popular online gaming titles - Call of Duty(R): Modern Warfare(R)II, showcasing its effectiveness. This research is novel in applying NLP techniques to discover and classify prosocial behaviors in player in-game chat communication. It can help shift the focus of moderation from solely penalizing toxicity to actively encouraging positive interactions on online platforms.
- Abstract（参考訳）: 何百万人ものプレーヤーが毎日、ゲーム内でのチャットを通じて、競争的なオンラインゲームに従事している。
従来, 様々な自然言語処理(NLP)技術を用いて, 比較的少量の有害物質の検出に重点を置いてきた。
しかし、近年の研究は、有毒な相互作用を特定するのと同じくらい重要な、社会的コミュニケーションを検出することの重要性を強調している。
社会的行動を認識することは、その分析、報酬、昇進を可能にする。
毒性とは違って、ゲームチャットテキストにおける社会的行動を特定するための限られたデータセット、モデル、リソースが存在する。
そこで本研究では,ゲーム分野の専門家によるコラボレーションと組み合わせた教師なしの発見を用いて,ゲームチャットからゲームプレイヤの行動を特定し,分類した。
さらに,既存技術と比較して7.9%改善した自己認識注意モデル(SAAM)を提案する。
このアプローチでは、トレーニングデータセット全体を"アンカー"として利用して、トレーニングデータの不足の下でモデルパフォーマンスを改善する。
このアプローチは、特に大規模ラベル付きデータが利用できない低リソース設定を考えると、ゲーム内チャットにおける社会的振る舞いを分類する最初の自動システムの開発につながった。
我々の手法は最も人気のあるオンラインゲームタイトルの1つであるCall of Duty(R): Modern Warfare(R)IIに適用され、その効果を示した。
本研究は,ゲーム内チャットにおけるソーシャル行動の発見と分類にNLP技術を適用した新しい研究である。
これは、モデレーションの焦点を単に毒性を罰することから、オンラインプラットフォームにおける積極的なポジティブな相互作用へとシフトさせるのに役立つ。
関連論文リスト
- Context-Aware Toxicity Detection in Multiplayer Games: Integrating Domain-Adaptive Pretraining and Match Metadata [0.9702021668898856]
従来の毒性検知器は孤立したメッセージに焦点を合わせており、正確なモデレーションに必要なより広いコンテキストを欠いている。
これは、特殊スラング、略語、タイポスを含む対話が絡むビデオゲームにおいて特に問題となる。
我々はRoBERTa LLMをビデオゲームに適したモデレーションをサポートし、テキストコンテキストと非テキストコンテキストの両方を統合した。
論文 参考訳（メタデータ） (2025-04-02T09:21:41Z) - Reinforcement Learning for Efficient Toxicity Detection in Competitive Online Video Games [1.9201314880477047]
本稿では,競合するオンラインゲームにおける毒性検出のための効率的なサンプリングの問題点について考察する。
本稿では,有害な行動に関連する変数に基づいて,モニタリング決定を行うコンテキスト的帯域幅アルゴリズムを提案する。
人気のファーストパーソンアクションゲームCall of Duty: Modern Warfare IIIのデータを用いて、我々のアルゴリズムがベースラインアルゴリズムを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2025-03-26T20:13:30Z) - Training Language Models for Social Deduction with Multi-Agent Reinforcement Learning [31.196865401472664]
自然言語の環境に関する生産的な議論を人間による実演なしで行うように、言語モデルを訓練する。
我々はエージェントの目標を利用して、コミュニケーションを誘導する高密度報酬信号として、世界の有用な情報を予測する。
我々は、容疑者の告発や証拠提供など、我々の技術による創発的行動を分析し、強力な議論を可能にすることを発見した。
論文 参考訳（メタデータ） (2025-02-09T22:44:45Z) - Multimodal Fusion with LLMs for Engagement Prediction in Natural Conversation [70.52558242336988]
我々は,不関心や混乱の兆候を検出することを目的として,言語的および非言語的手がかりを精査することにより,ダイアディック的相互作用における係り合いを予測することに焦点を当てた。
本研究では,カジュアルなダイアディック会話に携わる34人の参加者を対象に,各会話の最後に自己報告されたエンゲージメント評価を行うデータセットを収集する。
大規模言語モデル(LLMs)を用いた新たな融合戦略を導入し,複数行動モダリティをマルチモーダル・トランスクリプトに統合する。
論文 参考訳（メタデータ） (2024-09-13T18:28:12Z) - Fine-Tuning Pre-trained Language Models to Detect In-Game Trash Talks [0.0]
本研究は,ゲーム内チャットにおける有害性の検出において,事前学習したBERTおよびGPT言語モデルの性能を評価し,評価する。
この研究は、BERT(Base-uncased)、BERT(Large-uncased)、GPT-3モデルのトレーニングとテストのために、約2万のゲーム内チャットを収集することができた。
論文 参考訳（メタデータ） (2024-03-19T11:36:53Z) - Learning to Influence Human Behavior with Offline Reinforcement Learning [70.7884839812069]
人間の準最適性を捉える必要があるような環境での影響に焦点を当てる。
人間によるオンライン実験は安全ではない可能性があり、環境の高忠実度シミュレータを作成することは現実的ではないことが多い。
オフライン強化学習は、観察された人間・人間の行動の要素を拡張し、組み合わせることで、人間に効果的に影響を及ぼすことができることを示す。
論文 参考訳（メタデータ） (2023-03-03T23:41:55Z) - Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
本研究は,競争行動の社会的影響に基づく新しい強化学習機構を提案する。
提案モデルでは, 人工エージェントの学習を調節するための競合スコアを導出するために, 客観的, 社会的認知的メカニズムを集約する。
論文 参考訳（メタデータ） (2022-08-22T14:06:06Z) - Aligning to Social Norms and Values in Interactive Narratives [89.82264844526333]
我々は、インタラクティブな物語やテキストベースのゲームにおいて、社会的に有益な規範や価値観に沿って行動するエージェントを作成することに注力する。
我々は、特別な訓練を受けた言語モデルに存在する社会的コモンセンス知識を用いて、社会的に有益な値に整合した行動にのみ、その行動空間を文脈的に制限するGAALADエージェントを紹介した。
論文 参考訳（メタデータ） (2022-05-04T09:54:33Z) - Can You be More Social? Injecting Politeness and Positivity into
Task-Oriented Conversational Agents [60.27066549589362]
人間エージェントが使用する社会言語は、ユーザーの応答性の向上とタスク完了に関連しています。
このモデルは、ソーシャル言語理解要素で拡張されたシーケンスからシーケンスまでのディープラーニングアーキテクチャを使用する。
人的判断と自動言語尺度の両方を用いたコンテンツ保存と社会言語レベルの評価は,エージェントがより社会的に適切な方法でユーザの問題に対処できる応答を生成できることを示している。
論文 参考訳（メタデータ） (2020-12-29T08:22:48Z) - Recognizing Affiliation: Using Behavioural Traces to Predict the Quality
of Social Interactions in Online Games [26.131859388185646]
我々は、オンラインゲーム環境でのソーシャルな交流を通じて、ディヤドの見知らぬ人との親和性を予測するために行動トレースを使用する。
我々は23のダイアドから音声、ビデオ、ゲーム内、および自己報告データを収集し、75の特徴を抽出し、ランダムフォレストとサポートベクターマシンモデルを訓練し、その性能予測バイナリ(ハイ/ロー)とパートナーへの継続的なアフィリエイトを評価した。
本研究は,マルチプレイヤーゲームやゲームコミュニティの設計について報告し,オンラインゲームにおける有害行為を軽減・軽減するためのシステム開発を指導するものである。
論文 参考訳（メタデータ） (2020-03-06T20:56:05Z)
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。