論文の概要: Read the Room, Read the Image: Understanding Indirect Speech Acts in Multimodal Visual Contexts

• arxiv url: http://arxiv.org/abs/2608.30270v1
• Date: Mon, 31 Aug 2026 05:28:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.243986
• Title: Read the Room, Read the Image: Understanding Indirect Speech Acts in Multimodal Visual Contexts
• Title（参考訳）: 部屋を読む、画像を読む:マルチモーダル視覚環境における間接的音声行為の理解
• Abstract要約: 間接的発話行為(ISA)は、表層形態だけでは指示意図を推測できないため、文脈よりも実践的な推論を必要とする。 視覚的コンテキストと対話に対する統合推論を通してISA理解を評価するためのマルチモーダルベンチマークであるREADIを紹介する。
• 参考スコア（独自算出の注目度）: 5.327920709000245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indirect speech acts (ISAs) require pragmatic reasoning over context, as directive intent can- not be inferred from surface form alone. Prior text-based studies and existing multimodal benchmarks largely overlook this requirement, focusing instead on explicitly encoded context or perceptual recognition, and thus underex- plore context-dependent pragmatic understand- ing, particularly in high-context languages such as Korean. We introduce READI, a multimodal benchmark for evaluating ISA understanding through integrated reasoning over visual con- text and dialogue. READI models graded in- directness grounded in pragmatic theory and formulates the task as vision-based pragmatic question answering (V-PQA), supporting cross- lingual evaluation in English and Korean. Ex- periments show that even state-of-the-art multi- modal models struggle with visually grounded indirect speech acts, with performance declin- ing as indirectness increases, underscoring the need for benchmarks that explicitly target con- textual pragmatic reasoning.
• Abstract（参考訳）: 間接的発話行為 (ISA) は文脈よりも実践的な推論を必要とする。 従来のテキストベースの研究や既存のマルチモーダルベンチマークはこの要件を概ね見落としており、明示的に符号化された文脈や知覚認識に焦点をあてている。 視覚的コンテキストと対話に対する統合推論を通してISA理解を評価するためのマルチモーダルベンチマークであるREADIを紹介する。 READIモデルは、プラグマティック理論を基礎としたインダイレクトモデルであり、英語と韓国語における言語間評価を支援する視覚ベースのプラグマティック質問応答(V-PQA)としてタスクを定式化している。 元ペリメントでは、最先端のマルチモーダルモデルでさえ、間接性の増加に伴ってパフォーマンスが低下するなど、視覚的に基盤付けられた間接的な音声行為に苦しむことが示され、テキストの実用的な推論を明示的にターゲットするベンチマークの必要性が強調された。

関連論文リスト

• LaSR: Context-Aware Speech Recognition via Latent Reasoning [29.32686483648477]
  本稿では,文脈認識推論を特徴とする新しい学習パラダイムであるLaSRを提案する。 本研究は,効率的な文脈認識型音声アシスタント構築における潜在推論の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2026-05-30T03:44:12Z)
• On the Fallacy of Global Token Perplexity in Spoken Language Model Evaluation [88.77441715819366]
  大規模生音声で事前訓練された生成音声言語モデルは、適切な内容で音声プロンプトを継続することができる。 本稿では,グローバルトークンの難易度に代えて,多種多様な可能性・生成的評価手法を提案する。
  論文  参考訳（メタデータ） (2026-01-09T22:01:56Z)
• Artemis: Structured Visual Reasoning for Perception Policy Learning [64.57381337070616]
  経験的観察は、純粋に言語的な中間的推論が知覚タスクのパフォーマンスを低下させることを示している。 本稿では,構造化提案に基づく推論を行う認知政治学習フレームワークであるArtemisを紹介する。
  論文  参考訳（メタデータ） (2025-12-01T18:45:30Z)
• From Polyester Girlfriends to Blind Mice: Creating the First Pragmatics Understanding Benchmarks for Slovene [0.12277343096128711]
  我々はSloPragEvalとSloPragMegaを紹介した。 本稿では,翻訳の難しさについて論じ,人間のベースラインを確立するためのキャンペーンについて述べるとともに,パイロット評価をLCMで報告する。 以上の結果から,現在のモデルではニュアンス言語理解が大幅に改善されているものの,非文節発話におけるインプリート話者の意味を推測できない可能性が示唆された。
  論文  参考訳（メタデータ） (2025-10-24T15:43:42Z)
• On the Same Wavelength? Evaluating Pragmatic Reasoning in Language Models across Broad Concepts [69.69818198773244]
  本研究では,言語理解と言語生産の両面で,多種多様なLMについて検討する。 最先端のLMは小さくはないが,言語理解において高い性能を発揮する。
  論文  参考訳（メタデータ） (2025-09-08T17:59:32Z)
• In-Context Examples Matter: Improving Emotion Recognition in Conversation with Instruction Tuning [15.153136138757887]
  会話における感情認識 (ERC) は、会話における各発話の感情を特定することを目的としている。 InitERCは,ERCのためのワンステージ・イン・コンテクスト・イン・コンテクスト・チューニング・フレームワークである。 InitERCはLLMに適応し、コンテキストの例からコンテキスト内命令チューニングを通じて話者・コンテキスト・感情アライメントを学習する。
  論文  参考訳（メタデータ） (2025-08-16T03:23:48Z)
• Detecting Referring Expressions in Visually Grounded Dialogue with Autoregressive Language Models [3.8673630752805446]
  本研究の目的は,言語文脈のみが言及の検出にどのような影響を及ぼすかを検討することである。 我々は,事前訓練された大言語モデル (LLM) を用いて,会話の展開における参照スパンの比較的詳細なアノテーションを実行する。 その結果,中程度サイズのLLM,比較的小さなデータセット,パラメータ効率の高い微調整を用いても,テキストのみのアプローチが有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-26T14:14:20Z)
• How "Real" is Your Real-Time Simultaneous Speech-to-Text Translation System? [7.252894835396412]
  シマルST(SimulST)は、話者の音声とソース言語音声を同時に翻訳し、ユーザの理解を深めるために低レイテンシを確保する。 非有界音声への応用を意図したものの、ほとんどの研究は、人間の事前隔離された音声に焦点を当て、タスクを単純化し、重要な課題を見落としている。
  論文  参考訳（メタデータ） (2024-12-24T15:26:31Z)
• Igniting Language Intelligence: The Hitchhiker's Guide From Chain-of-Thought Reasoning to Language Agents [80.5213198675411]
  大規模言語モデル(LLM)は言語知能の分野を劇的に拡張した。 LLMは興味をそそるチェーン・オブ・シークレット(CoT)推論技術を活用し、答えを導き出す途中の中間ステップを定式化しなければならない。 最近の研究は、自律言語エージェントの開発を促進するためにCoT推論手法を拡張している。
  論文  参考訳（メタデータ） (2023-11-20T14:30:55Z)
• Re-Reading Improves Reasoning in Large Language Models [87.46256176508376]
  既成のLarge Language Models (LLM) の推論能力を高めるため, 単純で汎用的で効果的なプロンプト手法であるRe2を導入する。 CoT (Chain-of-Thought) など、ほとんどの思考を刺激する手法とは異なり、Re2 は質問を2回処理することで入力に焦点を移し、理解プロセスを強化する。 提案手法の有効性と汎用性を検証するため,14のデータセットにまたがる広範囲な推論ベンチマークでRe2を評価した。
  論文  参考訳（メタデータ） (2023-09-12T14:36:23Z)
• DiPlomat: A Dialogue Dataset for Situated Pragmatic Reasoning [89.92601337474954]
  プラグマティック推論は、実生活における会話でしばしば起こる暗黙の意味を解読する上で重要な役割を担っている。 そこで我々は,現実的な推論と会話理解の場所に関するマシンの能力のベンチマークを目的とした,新しい挑戦であるDiPlomatを紹介した。
  論文  参考訳（メタデータ） (2023-06-15T10:41:23Z)
• Dependency Induction Through the Lens of Visual Perception [81.91502968815746]
  本稿では,単語の具体性を利用した教師なし文法帰納モデルと,構成的視覚に基づく構成的文法を共同学習する手法を提案する。 実験により,提案した拡張は,文法的サイズが小さい場合でも,現在最先端の視覚的接地モデルよりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-09-20T18:40:37Z)

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。