論文の概要: TIDES: A Longitudinal Bilingual Dataset for Modeling Multi-Party Social Dynamics

• arxiv url: http://arxiv.org/abs/2608.01724v1
• Date: Mon, 03 Aug 2026 05:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.340939
• Title: TIDES: A Longitudinal Bilingual Dataset for Modeling Multi-Party Social Dynamics
• Title（参考訳）: TIDES: 多人数ソーシャルダイナミクスモデリングのための縦二言語データセット
• Abstract要約: グループ会話は人間のコラボレーションの基本であるが、標準の大規模言語モデル(LLM)は、マルチパーティインタラクションの複雑さに苦戦している。 TIDESは、12の大学プロジェクトチームを全学期にわたって追跡する、高精度な時系列データセットである。 TIDESは、対人ミーティングから英語と韓国語の両方で75,971発の発声を補完し、自己管理プロジェクトに取り組んでいるチームの自然な記録を提供する。
• 参考スコア（独自算出の注目度）: 18.5487753464828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Group conversations are fundamental to human collaboration, yet standard large language models (LLMs) still struggle with the complexities of multi-party interaction. This challenge persists in part because existing group conversation datasets are often limited to short-term lab settings with contrived tasks, failing to capture the long-term social dynamics of real-world teams. To bridge this gap, we introduce TIDES, a high-resolution longitudinal dataset tracking 12 university project teams over a full semester. Comprising 75,971 utterances in both English and Korean from in-person meetings, TIDES provides a naturalistic record of teams working on self-managed projects. Our socio-structural annotations-covering interaction types, emergent roles, and development stages-allow for modeling of team evolution over months. Experiments show that fine-tuning on TIDES improves next-speaker prediction by 13.8 percentage points over a bigram baseline (64.53%) and yields performance comparable to strong proprietary zero-shot models. The model also comes within 2.1 percentage points of the published state of the art on the AMI Meeting Corpus while using approximately 42% less training data. However, human evaluations suggest that better next-speaker prediction does not necessarily yield more natural or coherent utterances, as fine-tuned models were generally less preferred than vanilla models. This potential mismatch motivates further study of how structural modeling can support natural multi-party generation.
• Abstract（参考訳）: グループ会話は人間のコラボレーションの基本であるが、標準の大規模言語モデル(LLM)は、マルチパーティインタラクションの複雑さに苦戦している。 この課題は、既存のグループ会話データセットが、多くの場合、限定されたタスクを伴う短期的なラボの設定に制限されているため、現実のチームの長期的な社会的ダイナミクスをキャプチャできないため、部分的には継続する。 このギャップを埋めるために、12の大学プロジェクトチームを追跡する高解像度の時系列データセットであるTIDESを1学期で導入する。 TIDESは、対人ミーティングから英語と韓国語の両方で75,971発の発声を補完し、自己管理プロジェクトに取り組んでいるチームの自然な記録を提供する。 私たちの社会構造アノテーションは、インタラクションタイプ、創発的役割、そして、数ヶ月にわたるチームの進化をモデル化するための開発段階をカバーしています。 実験では、TIDESの微調整により、ビッグラムベースライン(64.53%)よりも13.8ポイント向上し、強力なプロプライエタリなゼロショットモデルに匹敵するパフォーマンスが得られる。 このモデルは、AMI Meeting Corpusで公表された最先端の2.1ポイント以内で、トレーニングデータは約42%少ない。 しかしながら、人間の評価では、より優れた次世代話者予測が必ずしもより自然なあるいは一貫性のある発話をもたらすとは限らないことが示唆され、細調整されたモデルは一般的にバニラモデルよりも好まれなかった。 この潜在的なミスマッチは、構造モデリングが自然なマルチパーティ生成をどのようにサポートするかをさらに研究する動機となっている。

関連論文リスト

• When2Speak: A Dataset for Temporal Participation and Turn-Taking in Multi-Party Conversations for Large Language Models [0.15749416770494704]
  LLM(Large Language Models)は、文脈的に適切な応答を生成するのに優れるが、多人数会話では校正が不十分である。 本稿では,グループ間相互作用における干渉のタイミングを学習するための,基底合成データセットと4段階生成パイプラインである When2Speak を紹介する。 データセットは、2-6人の話者による16,000の会話から派生した215,000以上の例からなり、多様な会話スタイル、トーン、受動的を分散し、各ターンでSPEAK対SILENT決定を明示的にモデル化する。
  論文  参考訳（メタデータ） (2026-05-07T03:27:45Z)
• The 2026 ACII Dyadic Conversations (DaiKon) Workshop & Challenge [7.430170071205731]
  ACII-DaiKonは、共有データセット上に構築された3つの調整されたサブチャレンジを提示する。 この課題は、945のダイアド会話を含むHume-DaiKonデータセット上に構築されている。 このベンチマークはマルチモーダルモデリング、時間的推論、コンテキスト間の一般化をサポートする。
  論文  参考訳（メタデータ） (2026-05-04T14:53:30Z)
• Bayesian Social Deduction with Graph-Informed Language Models [3.7540464038118633]
  社会的推論は、大きな言語モデルにとって難しい課題である。 本稿では,信念推論を構造化確率モデルに外部化するハイブリッド推論フレームワークを提案する。 提案手法はエージェント・エージェント・プレイにおけるより大きなモデルとの競合性能を実現する。
  論文  参考訳（メタデータ） (2025-06-21T18:45:28Z)
• Findings of the BabyLM Challenge: Sample-Efficient Pretraining on Developmentally Plausible Corpora [84.03928547166873]
  子どもたちは1億ワード未満の入力から言語を習得できる。 大規模な言語モデルはデータ効率がはるかに低く、通常は3～4桁以上のデータを必要とするが、多くの評価において人間ほど性能は高くない。 BabyLM Challengeは、参加者が固定データ予算で言語モデルトレーニングを最適化するために競う共同作業である。
  論文  参考訳（メタデータ） (2025-04-10T23:22:43Z)
• A Statistical Framework for Ranking LLM-Based Chatbots [57.59268154690763]
  本稿では、ペア比較分析における特定の課題に対処するために、重要な進歩を取り入れた統計フレームワークを提案する。 まず,人力比較のグルーピング処理能力を高める要因付きタイモデルを提案する。 第2に、フレームワークを拡張して、競合間の共分散層をモデル化することで、パフォーマンス関係に関するより深い洞察を可能にします。 第三に、パラメータ非特異性に起因する最適化の課題を、新しい制約を導入することで解決する。
  論文  参考訳（メタデータ） (2024-12-24T12:54:19Z)
• Split and Rephrase with Large Language Models [2.499907423888049]
  Split and Rephrase (SPRP) タスクは、複雑な文を短い文法文の列に分割する。 タスク上の大きな言語モデルを評価し、主要なメトリクスに基づいて、技術の現状を大幅に改善できることを示します。
  論文  参考訳（メタデータ） (2023-12-18T10:16:37Z)
• PlatoLM: Teaching LLMs in Multi-Round Dialogue via a User Simulator [39.40718009289621]
  本研究では,人間の行動をより良くシミュレートするパラダイムを提案し,マルチターン会話に人間的な質問を組み込むことのメリットを探求する。 具体的には、真の人間と機械の会話から抽出した人間の質問を学習目標とし、ソクラティックと呼ばれる新しいユーザシミュレータを提供する。 MT-Bench における LLaMA ベースの 7B モデル間でのSoTA 性能について検討した。
  論文  参考訳（メタデータ） (2023-08-21T06:51:56Z)
• Towards the Scalable Evaluation of Cooperativeness in Language Models [1.7875811547963403]
  我々は, PLMのマルチエージェント行動を理解し, 形成することを目的としている。 クラウドワーカーと言語モデルの両方で、特定の構造でシナリオを生成します。 インストラクションをチューニングしたモデルは、スケールアップ時に協調的と見なされるような振る舞いをする傾向にある。
  論文  参考訳（メタデータ） (2023-03-16T15:34:23Z)
• Training Trajectories of Language Models Across Scales [99.38721327771208]
  言語モデルのスケールアップは、前例のないパフォーマンス向上につながった。 異なるサイズの言語モデルは事前学習中にどのように学習するか? より大きな言語モデルはなぜ望ましい振る舞いを示すのか?
  論文  参考訳（メタデータ） (2022-12-19T19:16:29Z)
• Unifying Language Learning Paradigms [96.35981503087567]
  データセットやセットアップ全体にわたって普遍的に有効である事前学習モデルのための統一的なフレームワークを提案する。 本研究では, 事前学習対象を相互に配置し, 異なる対象間の補間を効果的に行う方法を示す。 また,テキスト内学習において,ゼロショットSuperGLUEで175B GPT-3,ワンショット要約でT5-XXLの性能を3倍に向上させた。
  論文  参考訳（メタデータ） (2022-05-10T19:32:20Z)
• On the Efficacy of Adversarial Data Collection for Question Answering: Results from a Large-Scale Randomized Study [65.17429512679695]
  逆データ収集(ADC)では、人間の労働力がモデルとリアルタイムで対話し、誤った予測を誘発する例を作成しようとする。 ADCの直感的な魅力にも拘わらず、敵対的データセットのトレーニングがより堅牢なモデルを生成するかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-06-02T00:48:33Z)
• Dynamic Hybrid Relation Network for Cross-Domain Context-Dependent Semantic Parsing [52.24507547010127]
  ドメイン間コンテキスト依存のセマンティック解析は研究の新たな焦点である。 本稿では,コンテキストの発話,トークン,データベーススキーマ,会話の進行に伴う複雑なインタラクションを効果的にモデル化する動的グラフフレームワークを提案する。 提案したフレームワークは既存のモデルを大きなマージンで上回り、2つの大規模ベンチマークで新しい最先端性能を達成する。
  論文  参考訳（メタデータ） (2021-01-05T18:11:29Z)

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。