首页/论文/2302.12043

arXiv 2302.120432023-02-23cs.CL

会话代理人和儿童：让儿童学习

Conversational Agents and Children: Let Children Learn

Boise State University（博伊西州立大学）；TU Delft（代尔夫特理工大学）

Casey Kennington, Jerry Alan Fails, Katherine Landau Wright, Maria Soledad Pera

备注：: 6 pages

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

使用在线信息发现作为一个案例研究，在这个立场文件中，我们讨论了需要设计，开发和部署（会话）代理，可以-非侵入性-引导儿童在他们寻求在线资源，而不是简单地为他们寻找资源。我们认为，代理应该“让孩子们学习”，并应建立一个教师促进者的功能，让孩子们发展他们的技术和批判性思维能力，因为他们与各种技术在广泛的用例进行交互。

英文摘要：

Using online information discovery as a case study, in this position paper we discuss the need to design, develop, and deploy (conversational) agents that can -- non-intrusively -- guide children in their quest for online resources rather than simply finding resources for them. We argue that agents should "let children learn" and should be built to take on a teacher-facilitator function, allowing children to develop their technical and critical thinking abilities as they interact with varied technology in a broad range of use cases.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

为儿童设计更智能的会话代理：来自认知工作分析与手段-目的分析的经验

Designing Smarter Conversational Agents for Kids: Lessons from Cognitive Work and Means-Ends Analyses

University of Regina（里贾纳大学）

本文通过认知工作分析考察巴西儿童使用会话代理的方式，并在1,200个模拟对话中验证结构化提示“配方”可提升交互质量。

2025-08-28cs.CLcs.HC

回归基础：让对话代理仅通过检索与生成来记忆

Back to Basics: Let Conversational Agents Remember with Just Retrieval and Generation

The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；The Hong Kong University of Science and Technology（香港科学与技术大学）；National University of Singapore（新加坡国立大学）

本文提出一种基于检索与生成的对话记忆框架，解决长对话中记忆退化问题，通过Turn Isolation Retrieval和Query-Driven Pruning实现高效记忆管理。

2026-04-13cs.AIcs.CL

AI故事：一个互动的儿童叙事系统

AI Stories: An Interactive Narrative System for Children

The University of Antwerp（安特卫普大学）

AI Stories是一个建议的互动对话系统，让儿童通过对话共同创造叙事世界。在接下来的三年里，该系统将在儿科病房内开发和测试，在那里它提供了教育和游戏之间的差距有用的资源。讲故事和编故事是语言游戏的一个基本组成部分，它的健谈和无意义的品质是很重要的;因此，自动化系统提供的开场白对儿童是有益的。在本文中，我将介绍这个项目的现状，在其更多的实验和一般的幌子。从概念上讲，通过对话讲故事涉及到故事的预印本解释，超越了静态和线性的媒介，在那里故事是表演的，时间的和社会的。

2020-11-09cs.AIcs.CL

Alexa，让我们一起工作：介绍第一个Alexa Prize TaskBot对话任务协助挑战赛

Alexa, Let's Work Together: Introducing the First Alexa Prize TaskBot Challenge on Conversational Task Assistance

自2016年成立以来，Alexa Prize计划已使数百名大学生能够通过SocialBot Grand Challenge探索和竞争开发会话代理。该挑战的目标是构建能够与人类就热门话题进行连贯和友好对话的智能体，同时达到至少4.0/5.0的平均评分。然而，随着会话代理试图帮助用户完成越来越复杂的任务，需要新的会话人工智能技术和评估平台。Alexa Prize TaskBot挑战赛成立于2021年，以SocialBot挑战赛的成功为基础，引入了交互式协助人类完成真实世界烹饪和自己动手任务的要求，同时利用语音和视觉模式。这一挑战要求任务机器人识别和理解用户的需求，识别任务和领域知识并将其整合到交互中，并开发新的方式来吸引用户，而不会分散他们对手头任务的注意力。本文概述了TaskBot挑战，描述了CoBot工具包为团队提供的基础设施支持，并总结了参与团队克服研究挑战的方法。最后，它分析了竞争任务机器人在第一年的比赛中的表现。

2022-09-13cs.AIcs.CLcs.HC

My Science Tutor (MyST) —— 一个大规模儿童会话语音语料库

My Science Tutor (MyST) -- A Large Corpus of Children's Conversational Speech

Boulder Language Technologies（博尔德语言技术公司）；University of Colorado at Boulder（科罗拉多大学博尔德分校）

本文介绍 MyST 大规模儿童会话语音语料库，包含约 400 小时、230K 条话语，旨在支持语音识别、教育对话 AI 及多模态科学学习应用研究。

2023-09-23cs.CLcs.SDeess.AS

让我们变得个人化：个人问题提高了SocialBot在Alexa Prize中的表现

Let's Get Personal: Personal Questions Improve SocialBot Performance in the Alexa Prize

University of California, Santa Cruz（加州大学圣克鲁兹分校）

人们越来越关注在口语对话社区中创建会话开放域对话系统。与传统的对话系统不同，这些对话系统不能假设任何特定的信息需求或域限制，即，唯一的固有目标是与用户就未知的主题集合进行交谈。虽然自然语言理解（NLU）的大规模改进和可用知识资源的增长可以部分支持强大的对话，但这些对话通常缺乏两个相互认识的人之间的融洽关系。我们开发了一个强大的开放域会话系统Athena，真正的Amazon Echo用户可以在Alexa Prize竞赛的背景下大规模访问和评估。我们实验的方法，旨在增加雅典娜和用户之间的亲密关系，通过开发一个基于规则的用户模型，个性化的当前和随后的对话和评估具体的个人意见问题的策略，在A/B研究。我们的研究结果表明，采用这些策略时，感知的对话质量和长度的统计显着的积极影响。

2023-03-09cs.CLcs.HC

更多相关论文收起更多论文

ArgSciChat：一个用于科技论文辩论对话的数据集

ArgSciChat: A Dataset for Argumentative Dialogues on Scientific Papers

University of Bologna（博洛尼亚大学）；Technical University of Darmstadt（达姆施塔特工业大学）

由于缺乏对话数据来训练这样的代理，会话代理在科学学科（如专家领域）的应用研究不足。虽然大多数数据汇集框架（如Amazon Mechanical Turk）通过连接群组工作者和任务设计者来促进通用域的数据汇集，但这些框架并没有针对专家域中的数据汇集进行太多优化。由于时间预算有限，科学家很少参加这些框架。因此，我们引入了一个新的框架来收集科学家之间的对话领域专家的科学论文。我们的框架让科学家提出他们的科学论文作为对话的基础，并参与对话，他们喜欢它的论文标题。我们使用我们的框架来收集一个新的辩论对话数据集，ArgSciChat。它包括从20篇科学论文的41次对话中收集的498条信息。除了对ArgSciChat的广泛分析外，我们还评估了我们数据集上最近的会话代理。实验结果表明，该代理在ArgSciChat上的表现不佳，从而激发了对论证性科学代理的进一步研究。我们发布我们的框架和数据集。

2022-10-12cs.CL

别让历史困扰你--减少会话问答中的复合错误

Do not let the history haunt you -- Mitigating Compounding Errors in Conversational Question Answering

University of Liverpool（利物浦大学）；Amazon（亚马逊）

会话问答（CoQA）任务涉及回答关于上下文段落的一系列相互关联的会话问题。虽然现有的方法在测试时使用人类编写的地面实况答案来回答会话问题，但在现实场景中，CoQA模型将无法访问先前问题的地面实况答案，迫使模型依赖于自己先前预测的答案来回答后续问题。在本文中，我们发现，复合错误发生时，使用以前预测的答案在测试时，显着降低CoQA系统的性能。为了解决这个问题，我们提出了一种采样策略，在训练过程中在目标答案和模型预测之间进行动态选择，从而密切模拟测试时的情况。此外，我们分析了这种现象的严重程度作为问题类型，会话长度和域类型的函数。

2020-05-12cs.CLcs.IR

基于强化学习的协作式多Agent对话模型训练

Collaborative Multi-Agent Dialogue Model Training Via Reinforcement Learning

Uber AI（优步AI）

我们提出了第一个完整的尝试，同时训练会话代理，仅通过自我生成的语言进行通信。使用DSTC 2作为种子数据，我们为每个代理训练了自然语言理解（NLU）和生成（NLG）网络，并让代理在线交互。我们将这种互动建模为一个随机合作博弈，其中每个代理（玩家）都有一个角色（“助手”，“游客”，“食客”等）。和他们自己的目标，并且只能通过他们生成的自然语言进行交互。因此，每个代理都需要学习在具有多个不确定性来源的环境中进行最佳操作（自己的NLU和NLG，其他代理的NLU，策略和NLG）。在我们的评估中，我们表明随机游戏代理优于基于深度学习的监督基线。

2019-07-24cs.CLcs.HC

我们谈谈吧！通过会话视觉问题生成启动会话

Let's Talk! Striking Up Conversations via Conversational Visual Question Generation

Academia Sinica（中央研究院）；The Pennsylvania State University（宾夕法尼亚州立大学）；Institute for Information Industry（资讯工业策进会）

一个吸引人和挑衅性的问题可以打开一个伟大的谈话。在这项工作中，我们探索了一个新的场景：会话代理查看一组用户的照片（例如，从社交媒体平台），并询问一个有吸引力的问题，发起与用户的对话。现有的视觉-问题模型大多生成乏味而明显的问题，这可能不是理想的会话启动器。本文介绍了一个两阶段的框架，首先生成一个视觉故事的照片集，然后使用的故事，以产生一个有趣的问题。人工评估表明，我们的框架比其他视觉到问题基线生成更多的引发响应的问题来开始对话。

2022-05-19cs.AIcs.CLcs.CV

让我看着你：用于对话语音合成的高级面部表情建模

Let Me Look at You: Advanced Facial Expression Modeling for Conversational Speech Synthesis

Inner Mongolia University（内蒙古大学）

研究针对对话语音合成中面部表情线索常被忽视及缺乏多模态数据集的问题，提出基于大语言模型的FacialTalker框架，含AUTokenizer和DualDPO策略，构建VSDD-1K数据集，实验表明该框架在表情感知和语音合成质量上表现出色。

2026-07-28cs.CLcs.HCeess.AS

让 LLM 对话：通过零样本 LLM 到 LLM 交互模拟人与人对话式问答

Let the LLMs Talk: Simulating Human-to-Human Conversational QA via Zero-Shot LLM-to-LLM Interactions

University of Amsterdam（阿姆斯特丹大学）；The Chinese University of Hong Kong（香港中文大学）

本文提出零样本 LLM-to-LLM 师生交互框架以模拟 CQA，并从问答质量、问题差异及阅读理解基准等方面验证 GPT-4 生成对话的有效性。

2023-12-05cs.AIcs.CLcs.IR

对话式LLM代理的黑盒取证

Black-Box Forensics for Conversational LLM Agents

University of California, San Diego（加州大学圣地亚哥分校）

研究通过非对抗对话识别对话代理的基座模型（归因）和系统提示（指纹识别），归因准确率达98%，指纹识别对未见提示的AUC达0.943。

2026-10-09cs.CLcs.CR

AgentMemBench：用于评估对话AI智能体长期记忆管理策略的系统基准

AgentMemBench: A Systematic Benchmark for Evaluating Long-Term Memory Management Strategies in Conversational AI Agents

Sofrecom（索弗雷科姆）

该研究构建了AgentMemBench基准，评估五种记忆策略及两款现有系统，发现外部键值存储（EKV）在长程对话记忆任务中表现最优，但存在内存占用成本，同时公开了全部可复现资源。

2026-08-04cs.AIcs.CL

进入未知的未知：通过参与语言模型智能体对话实现参与式人类学习

Into the Unknown Unknowns: Engaged Human Learning through Participation in Language Model Agent Conversations

Yale University（耶鲁大学）；Stanford University（斯坦福大学）

针对用户在未知未知领域中难以探索信息的问题，本文提出 Co-STORM 框架，让用户观察并引导多个语言模型智能体对话以偶然发现新知识，并通过动态思维导图和综合报告辅助学习，在自动评估和人类评估中均优于搜索引擎与 RAG 聊天机器人。

2024-10-17cs.AIcs.CLcs.IR