論文の概要: Are you with me? A Framework for Detecting Mental Model Discrepancies in Task-Based Team Dialogues

• arxiv url: http://arxiv.org/abs/2605.03149v1
• Date: Mon, 04 May 2026 20:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.649511
• Title: Are you with me? A Framework for Detecting Mental Model Discrepancies in Task-Based Team Dialogues
• Title（参考訳）: 私と一緒にいる?タスクベースのチーム対話におけるメンタルモデルの不一致を検出するフレームワーク
• Authors: Katharine Kowalyshyn, Matthias Scheutz,
• Abstract要約: 本研究では,4種類の精神モデルの違いを識別し,分類する枠組みを提案する。 協調的なオブジェクト識別タスクを行う20のダイアドチームからの対話を用いて、これらの相違パターンが予測信号を含んでいることを示す。
• 参考スコア（独自算出の注目度）: 3.771395176745804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans typically use natural language to update teammates on task states. Since not all updates are communicated, discrepancies arise between the team members' mental models that negatively affect overall team performance. How can we categorize such discrepancies? Do misalignments detected in team dialogue predict future mental model misalignments? Traditional shared mental model (SMM) assessment methods rely on retrospective expert coding that cannot capture real-time coordination dynamics. We propose a framework to identify and categorize four types of mental model discrepancies: unsupported beliefs, false beliefs, belief contradictions, and omissions, all of which can naturally emerge in team dialogues. Using dialogues from twenty dyad teams performing collaborative object identification tasks across four sequential levels, we demonstrate that these discrepancy patterns contain predictive signals. Averaging historical discrepancy counts achieves meaningful prediction accuracy using uniform weighting as an exploratory baseline, with differential predictability across discrepancy types.
• Abstract（参考訳）: 人間は通常、自然言語を使ってタスク状態のチームメイトを更新します。 すべての更新がコミュニケーションされるわけではないので、チーム全体のパフォーマンスに悪影響を及ぼす、チームメンバのメンタルモデルの間に相違が生じます。 そのような不一致をどう分類するか。 チームの対話で検出されたミスアライメントは、将来のメンタルモデルのミスアライメントを予測するか? 従来の共有メンタルモデル(SMM)の評価手法は、リアルタイムの協調動作を捉えることができない振り返りの専門家のコーディングに依存しています。 本研究では,4種類のメンタルモデルの違いを識別し,分類する枠組みを提案する。 4段階にわたる協調的なオブジェクト識別タスクを行う20のダイアドチームからの対話を用いて,これらの相違パターンが予測信号を含んでいることを示す。 過去の相違点数の平均化は、一様重み付けを探索基準として有意義な予測精度を達成し、相違点の種類によって異なる予測可能性を実現する。

関連論文リスト

• LLM Reasoning Predicts When Models Are Right: Evidence from Coding Classroom Discourse [0.18268488712787334]
  大規模言語モデル(LLM)は、大規模に教育対話を自動的にラベル付けし分析するために、ますます多くデプロイされている。 本研究では,LLMが生成した推論がモデル自身の予測の正確性を予測するのに有効かどうかを検討する。 授業の対話から30,300人の教師の発話を分析し,複数の最先端LPMでラベル付けし,指導的移動構造とそれに伴う推論を行った。
  論文  参考訳（メタデータ） (2026-02-10T14:38:13Z)
• WHEN TO ACT, WHEN TO WAIT: Modeling the Intent-Action Alignment Problem in Dialogue [23.39224016484548]
  対話システムは、ユーザ発話が意味論的に完全であると同時に、適切なシステムアクションに必要な明快さと完全さが欠如している場合に失敗することが多い。 我々は、UserLLMとAgentLLMの対話を通して非対称情報ダイナミクスをモデル化するフレームワークSTORMを提案する。 コントリビューションには,(1)対話システムにおける非対称情報処理の形式化,(2)協調理解の進化をモデル化する意図形成,(3)タスクパフォーマンスとともに内部認知改善を測定する評価指標などが含まれている。
  論文  参考訳（メタデータ） (2025-06-02T17:11:10Z)
• Predicting Team Performance from Communications in Simulated Search-and-Rescue [1.2289361708127877]
  会話データを分析して、チームの特性とチームの成果との相関を識別する。 本研究は,これらの推論により,チームリング結果の変動を説明できることを示した。
  論文  参考訳（メタデータ） (2025-03-05T07:20:27Z)
• 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)
• MindDial: Belief Dynamics Tracking with Theory-of-Mind Modeling for Situated Neural Dialogue Generation [62.44907105496227]
  MindDialは、Mind-of-mindモデリングで位置決め自由形式の応答を生成できる、新しい対話型フレームワークである。 本研究では、話者の信念と話者の聴取者の信念を予測できる明示的なマインドモジュールを導入する。 筆者らのフレームワークは,提案手法と微調整モデルの両方に適用され,共通地盤アライメントとネゴシエーションの両方を含むシナリオで評価される。
  論文  参考訳（メタデータ） (2023-06-27T07:24:32Z)
• Don't Copy the Teacher: Data and Model Challenges in Embodied Dialogue [92.01165203498299]
  後続の身体的対話命令は、自然言語交換から複雑なタスクのシーケンスを完了させるエージェントを必要とする。 本稿では,模倣学習(IL)と関連する低レベルメトリクスが,実際には誤解を招くものであり,具体的対話研究の目標と一致していないことを論じる。
  論文  参考訳（メタデータ） (2022-10-10T05:51:40Z)
• I Beg to Differ: A study of constructive disagreement in online conversations [15.581515781839656]
  コンテンツ論争を含む7,425のwikipediaトークページ会話のコーパスを構築した。 モデレーターによる調停に不一致がエスカレートされるかどうかを予測するタスクを定義します。 我々は,様々なニューラルモデルを開発し,会話の構造を考慮すれば予測精度が向上することを示す。
  論文  参考訳（メタデータ） (2021-01-26T16:36:43Z)
• I like fish, especially dolphins: Addressing Contradictions in Dialogue Modeling [104.09033240889106]
  DialoguE Contradiction Detection Task(DECODE)と、人間とロボットの矛盾した対話の両方を含む新しい会話データセットを紹介します。 次に、事前学習したトランスフォーマーモデルを用いて、定型的非構造的アプローチと矛盾検出を行う構造的発話に基づくアプローチを比較する。
  論文  参考訳（メタデータ） (2020-12-24T18:47:49Z)
• Probing Task-Oriented Dialogue Representation from Language Models [106.02947285212132]
  本稿では,タスク指向対話タスクにおいて,どのモデルが本質的に最も有意義な表現を担っているかを明らかにするために,事前学習された言語モデルについて検討する。 我々は、アノテートラベルを教師付き方法で固定された事前学習言語モデルの上に、分類器プローブとしてフィードフォワード層を微調整する。
  論文  参考訳（メタデータ） (2020-10-26T21:34:39Z)
• Learning an Unreferenced Metric for Online Dialogue Evaluation [53.38078951628143]
  本稿では,大規模な事前学習言語モデルを用いて発話の潜在表現を抽出する非参照自動評価指標を提案する。 提案手法は,オンライン環境でのアノテーションと高い相関性を実現すると同時に,推論時に比較に真の応答を必要としないことを示す。
  論文  参考訳（メタデータ） (2020-05-01T20:01:39Z)

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。