論文の概要: Discourse Diversity in Multi-Turn Empathic Dialogue

• arxiv url: http://arxiv.org/abs/2604.11742v1
• Date: Mon, 13 Apr 2026 17:17:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.709782
• Title: Discourse Diversity in Multi-Turn Empathic Dialogue
• Title（参考訳）: 多軸共感対話における談話の多様性
• Authors: Hongli Zhan, Emma S. Gueorguieva, Javier Hernandez, Jina Suh, Desmond C. Ong, Junyi Jessy Li,
• Abstract要約: 大規模言語モデル(LLM)は、シングルターン設定において非常に共感的であると評価された応答を生成する。 LLMは、同じ語彙パターン、構文テンプレート、タスク間の談話構造を再利用する公式なジェネレータとして知られている。 マルチターン共感対話における談話移動の多様性を最適化する最初の強化学習フレームワークであるMINTを紹介する。
• 参考スコア（独自算出の注目度）: 27.43686763116342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) produce responses rated as highly empathic in single-turn settings (Ayers et al., 2023; Lee et al., 2024), yet they are also known to be formulaic generators that reuse the same lexical patterns, syntactic templates, and discourse structures across tasks (Jiang et al., 2025; Shaib et al., 2024; Namuduri et al., 2025). Less attention has been paid to whether this formulaicity extends to the level of discourse moves, i.e., what a response does for the person it is addressing. This question is especially consequential for empathic dialogue, where effective support demands not just a kind response at one moment but varied strategies as a conversation unfolds (Stiles et al., 1998). Indeed, prior work shows that LLMs reuse the same tactic sequences more than human supporters in single-turn settings (Gueorguieva et al., 2026). We extend this analysis to multi-turn conversations and find that the rigidity compounds: once a tactic appears in a supporter turn, LLMs reuse it in the next at nearly double the rate of humans (0.50-0.56 vs. 0.27). This pattern holds across LLMs serving as supporters in real emotional support conversations, and is invisible to standard similarity metrics. To address this gap, we introduce MINT (Multi-turn Inter-tactic Novelty Training), the first reinforcement learning framework to optimize discourse move diversity across multi-turn empathic dialogue. The best MINT variant combines an empathy quality reward with a cross-turn tactic novelty signal, improving aggregate empathy by 25.3% over vanilla across 1.7B and 4B models while reducing cross-turn discourse move repetition by 26.3% on the 4B model, surpassing all baselines including quality-only and token-level diversity methods on both measures. These results suggest that what current models lack is not empathy itself, but the ability to vary their discourse moves across a conversation.
• Abstract（参考訳）: 大きな言語モデル(LLMs)は、シングルターン設定において高い共感性を示す応答(Ayers et al , 2023; Lee et al , 2024)を生成するが、同じ語彙パターン、構文テンプレート、タスク間の談話構造を再利用する定式生成器としても知られている(Jiang et al , 2025; Shaib et al , 2024; Namuduri et al , 2025)。 この定式化が言論運動のレベルにまで達するかどうか、すなわち、相手にどのような反応をするかについてはあまり注意が払われていない。 特に共感的対話では、ある時点では優しく反応するだけでなく、会話が展開するにつれて様々な戦略が要求される(Stiles et al , 1998)。 実際、以前の研究は、LLMが1ターン設定で人間よりも同じ戦術シーケンスを再利用していることを示している(Gueorguieva et al , 2026)。 我々は、この分析を多ターン会話に拡張し、剛性化合物を見出した: ひとたび支援者のターンに戦術が現れると、LLMはそれを次の2倍に再利用する(0.50-0.56 対 0.27 対 0.0-0.56)。 このパターンは、実際の感情的サポート会話のサポーターとして機能するLLMにまたがって保持され、標準的な類似度指標には見えない。 MINT(Multi-turn Inter-Tactic Novelty Training)は,マルチターン共感対話における言論移動の多様性を最適化する最初の強化学習フレームワークである。 最高のMINT変種は、共感品質報酬とクロスターン戦術的ノベルティ信号を組み合わせることで、1.7Bと4Bモデルでバニラよりも25.3%のアグリゲート共感を向上し、4Bモデルではクロスターン・ディスコースの繰り返しを26.3%減らし、品質のみおよびトークンレベルの多様性メソッドを含むすべてのベースラインを超えた。 これらの結果は、現在のモデルに欠けているのは共感そのものではなく、会話を通して会話を変える能力にあることを示唆している。

関連論文リスト

• AI generates well-liked but templatic empathic responses [26.705469030874223]
  人々は、大きな言語モデル応答を、人間が書いた応答よりも共感的に評価します。 我々は10の共感的言語「戦術」の分類法を開発する。 LLM応答は談話機能レベルで非常に定式化されている。
  論文  参考訳（メタデータ） (2026-04-09T17:22:42Z)
• SCOPE: A Dataset of Stereotyped Prompts for Counterfactual Fairness Assessment of LLMs [45.94124349318317]
  SCOPEは241,280のプロンプトを120,640の対物対にまとめている。 このリソースは、公正性、堅牢性、および反事実整合性を評価するために、制御され、セマンティックに整合し、意図を意識した基盤を提供する。
  論文  参考訳（メタデータ） (2026-04-07T07:56:26Z)
• Reflecting Twice before Speaking with Empathy: Self-Reflective Alternating Inference for Empathy-Aware End-to-End Spoken Dialogue [53.95386201009769]
  音声対話における共感的品質を評価するための記述型自然言語ベース評価モデルであるEmpathyEvalを紹介する。 本稿では,共感的自己反射的交替推論機構を通じて共感的対話を強化する,エンドツーエンドの音声言語モデルであるReEmpathyを提案する。
  論文  参考訳（メタデータ） (2026-01-26T09:04:50Z)
• PanoSent: A Panoptic Sextuple Extraction Benchmark for Multimodal Conversational Aspect-based Sentiment Analysis [74.41260927676747]
  本稿では,マルチモーダル対話感分析(ABSA)を導入することでギャップを埋める。 タスクをベンチマークするために、手動と自動の両方で注釈付けされたデータセットであるPanoSentを構築し、高品質、大規模、マルチモーダル、マルチ言語主義、マルチシナリオを特徴とし、暗黙の感情要素と明示的な感情要素の両方をカバーする。 課題を効果的に解決するために,新しい多モーダルな大規模言語モデル(すなわちSentica)とパラフレーズベースの検証機構とともに,新しい感覚の連鎖推論フレームワークを考案した。
  論文  参考訳（メタデータ） (2024-08-18T13:51:01Z)
• The MuSe 2024 Multimodal Sentiment Analysis Challenge: Social Perception and Humor Recognition [64.5207572897806]
  マルチモーダル・センティメント・アナリティクス・チャレンジ (MuSe) 2024は、現代の2つのマルチモーダル・インフルエンスと感情分析の問題に対処する。 Social Perception Sub-Challenge (MuSe-Perception)では、参加者は16種類の個人の社会的属性を予測する。 クロスカルカルカルチャー・ヒューモー検出サブチャレンジ(MuSe-Humor)データセットは、Passau Spontaneous Football Coach Humorデータセット上に拡張される。
  論文  参考訳（メタデータ） (2024-06-11T22:26:20Z)
• LastResort at SemEval-2024 Task 3: Exploring Multimodal Emotion Cause Pair Extraction as Sequence Labelling Task [3.489826905722736]
  SemEval 2024は会話におけるマルチモーダル感情原因分析のタスクを導入している。 本稿では,この課題を発話ラベリングとシーケンスラベリングの問題として扱うモデルを提案する。 このタスクの公式リーダーボードでは、私たちのアーキテクチャは8位にランクされ、リーダーボードのF1スコアは0.1759でした。
  論文  参考訳（メタデータ） (2024-04-02T16:32:49Z)
• MT-Bench-101: A Fine-Grained Benchmark for Evaluating Large Language Models in Multi-Turn Dialogues [58.33076950775072]
  MT-Bench-101は,マルチターン対話におけるLarge Language Models (LLMs) の細粒度化能力を評価するために設計された。 1388のタスクで4208のターンが1388のマルチターン対話にまたがる3階層の階層的能力分類を構築した。 次に,MT-Bench-101に基づく21のLLMを評価し,能力とタスクの観点から総合的な分析を行った。
  論文  参考訳（メタデータ） (2024-02-22T18:21:59Z)
• SoulChat: Improving LLMs' Empathy, Listening, and Comfort Abilities through Fine-tuning with Multi-turn Empathy Conversations [19.11368665202549]
  心理学的なカウンセリングの分野で大きな言語モデルを適用する場合、彼らはしばしば普遍的なアドバイスを提供する。 我々は200万以上のサンプルからなるマルチターン共感的会話データセットを構築した。 複数回対話履歴を用いて微調整すると,LLMの共感能力が著しく向上することを示した。
  論文  参考訳（メタデータ） (2023-11-01T03:49:52Z)

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。