ProsocialDialog: A Prosocial Backbone for Conversational Agents
Allen Institute for Artificial Intelligence(艾伦人工智能研究所);Seoul National University(首尔国立大学);University of Washington(华盛顿大学);Johns Hopkins University(约翰斯·霍普金斯大学);Carnegie Mellon University(卡内基梅隆大学)
大多数现有的对话系统无法通过忽略或被动地同意潜在不安全的用户话语来适当地响应它们。为了解决这个问题,我们引入了ProsocialDialog,这是第一个大规模的多轮对话数据集,用于教会话代理按照社会规范对有问题的内容做出反应。涵盖各种不道德的,有问题的,有偏见的和有毒的情况,ProsocialDialog包含鼓励亲社会行为的反应,基于常识性的社会规则(即,经验法则,RoTs)。ProsocialDialog通过人类-人工智能协作框架创建,由58 K对话组成,其中包括331 K话语,160 K独特的RoT和497 K对话安全标签以及自由形式的基本原理。有了这个数据集,我们引入了一个对话安全检测模块,金丝雀,能够生成RoTs给定的会话背景下,和社会知情的对话代理,普罗斯特。实证结果表明,普罗斯特产生更多的社会可接受的对话相比,其他国家的最先进的语言和对话模型在域内和域外设置。此外,金丝雀有效地指导会话代理和现成的语言模型,以产生显着更多的亲社会反应。我们的工作突出了创造和引导对话式人工智能对社会负责的承诺和重要性。
2022-10-25 cs.CL
MemORAI: Memory Organization and Retrieval via Adaptive Graph Intelligence for LLM Conversational Agents
Independent Researcher(独立研究者);Hanoi University of Science and Technology(河内科学技术大学);VNU University of Engineering and Technology(VNU工程大学);Monash University(墨尔本大学)
提出MemORAI框架,通过选择性记忆过滤、富来源追踪的多关系图存储和查询自适应子图检索,解决LLM长期对话中记忆缺失、信息稀释和检索不精准的问题,在LOCOMO和LongMemEval基准上达到最优性能。
2026-06-02 cs.CL
Can You be More Social? Injecting Politeness and Positivity into Task-Oriented Conversational Agents
Uber AI(优步人工智能实验室);Carnegie Mellon University(卡内基梅隆大学)
目标导向的会话主体在我们的日常生活中越来越普遍。为了让这些系统吸引用户并实现他们的目标,他们需要展示适当的社交行为,并提供指导用户完成任务的信息回复。本文研究的第一个组成部分是应用统计建模技术来理解用户和客户服务人员之间的对话。分析表明,人类代理使用的社交语言与更大的用户响应和任务完成有关。研究的第二个组成部分是构建一个会话代理模型,能够将社交语言注入代理的响应,同时仍然保留内容。该模型使用序列到序列深度学习架构,并扩展了社交语言理解元素。使用人类判断和自动语言测量的内容保存和社会语言水平方面的评估表明,该模型可以生成响应,使代理以更适合社会的方式解决用户的问题。
2020-12-29 cs.CL cs.HC
NaturalTurn: A Method to Segment Speech into Psychologically Meaningful Conversational Turns
针对会话数据集增长带来的轮次分割挑战,提出NaturalTurn算法,通过区分主次话语提升分割准确性,其生成的轮次特征与实证一致,能揭示语言对齐及轮次转换与情感的隐藏关系,推动会话科学研究。
2025-11-12 cs.CL
Neutral Utterances are Also Causes: Enhancing Conversational Causal Emotion Entailment with Social Commonsense Knowledge
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);University of Chinese Academy of Sciences(中国科学院大学);Tencent Inc(腾讯公司)
会话因果情感蕴涵的目的是从会话中检测出非中性目标话语的因果话语。在这项工作中,我们建立对话图,以克服隐含的上下文建模的原始蕴涵风格。在前面工作的基础上,我们进一步将情感信息引入到图中。情感信息可以显著促进与目标话语情感相同的因果话语的检测。然而,仍然很难检测到不同情绪的因果话语,特别是中性的。原因是模型在推理因果线索和在话语之间传递它们方面受到限制。为了缓解这个问题,我们引入了社会常识知识(CSK)并提出了知识增强对话图(KEC)。KEC在两个话语之间传播CSK。由于并不是所有的CSK都是情感上适合的,因此我们提出了一种情感实现的知识选择策略来过滤CSK。为了处理KEC,我们进一步构建了知识增强有向无环图网络。实验结果表明,我们的方法优于基线,并推断出更多的原因与不同的情绪从目标话语。
2022-05-07 cs.CL
Conversational AI Systems for Social Good: Opportunities and Challenges
JD AI Research(京东人工智能研究院)
会话式人工智能(ConvAI)系统最近吸引了学术界和商业界的广泛关注,在这两方面都取得了重大进展。然而,很少有现有的工作讨论如何在现实世界的应用中开发和部署这些系统以实现社会公益,并进行全面的案例研究和利弊分析。在本文中,我们简要回顾了社区在更好的ConvAI系统方面取得的进展,并反思了现有技术如何从ConvAI独特的各个角度帮助推进社会公益计划,或者还没有成为社会的共识。我们进一步讨论了ConvAI系统面临的挑战,以更好地帮助我们实现这些目标,并强调其在现实世界中的开发和部署所涉及的风险。
2022-01-08 cs.CL cs.CY
MT2-CSD: A New Dataset and Multi-Semantic Knowledge Fusion Method for Conversational Stance Detection
College of Big Data and Internet, Shenzhen Technology University(大数据与互联网学院,深圳技术大学);University of Washington(华盛顿大学);University of Science and Technology of China(中国科学技术大学)
本文提出最大规模多目标多轮对话立场检测数据集MT2-CSD,并设计大语言模型增强的对话关系注意力网络LLM-CRAN,实验证明其显著优于强基线模型。
2025-07-04 cs.CL
Thanos: Enhancing Conversational Agents with Skill-of-Mind-Infused Large Language Model
School of Computing, KAIST(韩国科学技术院计算机学院);KT Corporation(KT集团)
本文提出心智技能数据集及Thanos模型系列,通过注入多面对话技能,显著提升LLM对话代理的回应质量与亲社会行为。
2024-11-07 cs.CL
M2D: Monolog to Dialog Generation for Conversational Story Telling
University of California, Santa Cruz(加州大学圣克鲁兹分校)
讲故事有许多不同的社会功能,例如,故事被用来说服,分享烦恼,建立共同的价值观,学习社会行为和娱乐。此外,故事通常是通过对话来讲述的,以前的工作表明,对话提供的信息比独白提供的信息更吸引人。在本文中,我们提出的算法转换成一个对话的讲故事,可以不同的方面讲故事,包括讲故事的人的个性的一个深表示。我们进行了几个实验,以测试对话式讲故事是否更吸引人,以及是否可以在扩展的讲故事对话中识别出与个性差异相对应的语言形式的自动生成的变体。
2017-08-24 cs.CL
ADVISER: A Toolkit for Developing Multi-modal, Multi-domain and Socially-engaged Conversational Agents
University of Stuttgart(斯图加特大学)
我们提出了ADVISER -一个开源的,多域的对话系统工具包,使开发多模态(包括语音,文本和视觉),社会参与(如情感识别,参与度预测和反向通道)会话代理。我们的工具包的最终基于Python的实现是灵活的,易于使用,易于扩展,不仅适用于技术经验丰富的用户,如机器学习研究人员,而且适用于技术经验较少的用户,如语言学家或认知科学家,从而为协作研究提供了一个灵活的平台。开源代码链接:https://github.com/DigitalPhonetics/adviser
2020-05-04 cs.AI cs.CL
Findings of the First Workshop on Simulating Conversational Intelligence in Chat
ADAPT Research Centre(ADAPT研究中心);O’Reilly Institute(奥赖利研究所);Trinity College Dublin(都柏林圣三一学院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文介绍第一届 SCI-CHAT 研讨会及其共享任务,聚焦开放域对话中多轮智能对话模拟,并通过真人评估分析模型在提出、反驳和推理论点方面的表现,同时公开数据和代码以促进后续研究。
2024-11-19 cs.CL
Training Conversational Agents with Generative Conversational Networks
Amazon(亚马逊)
网络上丰富的开放域文本数据为语言处理带来了巨大的进步。然而,虽然这些数据可能适合语言处理任务,但它们大多是非会话的,缺乏人类交互中出现的许多现象,这就是为什么我们在会话人工智能中仍然存在许多未解决的挑战的原因之一。在这项工作中,我们试图解决这个问题,使用生成会话网络自动生成数据和训练社会会话代理。我们在TopicalChat上使用自动指标和人工评估器评估了我们的方法,结果表明,使用10%的种子数据,它的性能接近使用100%数据的基线。
2021-10-15 cs.CL
Developing Enhanced Conversational Agents for Social Virtual Worlds
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);University of Granada(格拉纳达大学)
本文提出一种结合人工智能、自然语言处理、情感计算与用户建模的方法,开发面向社交虚拟世界的具身多模态对话智能体,其对话行为能基于语料库与交互知识自适应学习,并在Second Life中成功验证了其对用户特征的适应性。
2025-01-14 cs.CL cs.SD eess.AS
In conversation with Artificial Intelligence: aligning language models with human values
University of Edinburgh(爱丁堡大学);DeepMind(深度思维)
大规模语言技术越来越多地用于不同背景下与人类进行各种形式的交流。这些技术的一个特定用例是会话代理,它输出自然语言文本以响应提示和查询。这种参与方式引起了一些社会和道德问题。例如,将对话主体与人类规范或价值观相结合意味着什么?它们应该与哪些规范或价值观保持一致?如何才能做到这一点?在本文中,我们提出了一些有助于回答这些问题的步骤。首先,我们发展的对话代理人和人类对话者之间的语言沟通的基石的哲学分析。然后,我们使用这种分析,以确定和制定理想的对话规范,可以管理人类和会话代理之间的成功的语言沟通。此外,我们将探讨如何使用这些规范来调整会话代理人与人类价值观在一系列不同的话语域。最后,我们讨论了我们的建议,与这些规范和价值观相一致的会话代理的设计的实际影响。
2022-12-21 cs.CL cs.CY
CharacterChat: Learning towards Conversational AI with Personalized Social Support
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机技术研究所);University of Electronic Science and Technology of China(电子科技大学)
针对传统情感支持对话难以适配多样化个体性格的问题,研究提出S2Conv框架,构建MBTI-1024虚拟角色库与MBTI-S2Conv数据集,开发出含性格记忆驱动对话模型和人际匹配插件的CharacterChat系统,可提供个性化社会支持且效果显著。
2023-08-20 cs.CL
The complexities of patient-centred conversational artificial intelligence
Verily Health(Verily健康公司);University of Oxford(牛津大学);University of Birmingham(伯明翰大学);University Hospitals Birmingham NHS Foundation Trust(伯明翰大学医院NHS基金会信托);Harvard Medical School(哈佛医学院);Beth Israel Deaconess Medical Center(贝斯以色列女执事医疗中心)
研究面向消费者的健康聊天机器人开发评估问题,开发患者模拟器建模多方面内容,经图灵启发评估和多案例测试,发现沟通风格影响分诊结果,强调以患者为中心的对话式人工智能要适应沟通多样性。
2026-07-10 cs.AI cs.CL
Cognitively Inspired Components for Social Conversational Agents
Artificial Intelligence Research Centre (CitAI)(人工智能研究中心(CitAI));City, University of London(伦敦城市大学)
本文综述认知启发组件如何通过语义与情景记忆、情绪、工作记忆和学习能力,同时改善对话智能体的技术缺陷与社会规范遵循问题。
2023-11-09 cs.AI cs.CL
Delivering Cognitive Behavioral Therapy Using A Conversational SocialRobot
University of Denver(丹佛大学);Eaton Senior Community(伊顿老年社区)
社交机器人正在成为我们日常生活中不可或缺的一部分,因为它们能够提供陪伴和娱乐。机器人的一个子领域,社会辅助机器人(SAR),特别适合将这些好处扩展到医疗保健环境中,因为它具有提供认知,社交和情感支持的独特能力。本文介绍了我们最近的研究,通过评估一个生活般的会话社交机器人,称为瑞安,管理互联网提供的认知行为治疗(iCBT)的老年人抑郁症的能力,开发SAR。为了让赖安进行治疗,我们开发了一个对话管理系统,叫做Program-R。使用经过认可的抑郁症治疗CBT手册,我们创建了7个小时的iCBT对话,并使用人工智能置标语言(AIML)将其集成到Program-R中。为了评估基于机器人的iCBT的有效性和用户对我们方法的喜爱程度,我们对一组患有轻度至中度抑郁症的老年人进行了为期四周的HRI研究。对参与者的口头反应(例如,字数和情感分析)、面部情绪评分和退出调查的定量分析强烈支持基于机器人的iCBT是传统人类治疗的可行替代方案的观点。
2019-09-14 cs.CL cs.RO
Identifying High-Confidence Social Biases in LLMs for Trustworthy Conversational Tutoring Agents
University of Hawaii at Manoa(夏威夷大学马诺亚分校)
本研究通过生成对话数据集,评估大型语言模型在辅导场景中检测社会偏见的能力,发现模型在对话上下文中比基准测试更难检测偏见,且对错误判断过度自信,影响推理和反馈。
2026-06-01 cs.AI cs.CL
Recent Progress in Conversational AI
UCLA(加州大学洛杉矶分校)
对话式人工智能(AI)正在成为工业界和学术界越来越受欢迎的话题。随着基于神经网络模型的快速发展,许多基于神经网络的会话式人工智能系统被开发出来。我们将简要回顾对话式人工智能的最新进展,包括常用的技术,着名的作品,来自学术界和工业界的着名比赛以及广泛使用的数据集。
2022-04-08 cs.AI cs.CL
The Second Conversational Intelligence Challenge (ConvAI2)
Facebook AI Research(Facebook人工智能研究);Moscow Institute of Physics and Technology(莫斯科物理技术学院);University of Montreal(蒙特利尔大学);McGill University(麦吉尔大学);Carnegie Mellon University(卡内基梅隆大学);Microsoft Research(微软研究院)
我们描述了ConvAI 2 NeurIPS竞赛的设置和结果,该竞赛旨在进一步发展开放域聊天机器人的最新技术。比赛的一些关键要点是:(i)预训练的Transformer变体是目前在该任务上表现最好的模型,(ii)但是为了提高与人类的多轮对话的性能,未来的系统必须超越诸如困惑度的单个单词度量来测量跨话语序列的性能(对话)--在重复、一致性和对话行为的平衡方面(例如,问了多少问题,回答了多少问题)。
2019-01-31 cs.AI cs.CL cs.HC
BiasAsker: Measuring the Bias in Conversational AI System
The Chinese University of Hong Kong(香港中文大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
本文提出自动化框架BiasAsker,通过构建包含841个社会群体和8,110个偏见属性的数据集自动生成问题,利用基于存在性测量的方法识别对话式AI系统中的绝对偏见与相关偏见,实验证实32.83%的问题能触发偏见行为。
2023-05-21 cs.AI cs.CL
Avaya Conversational Intelligence: A Real-Time System for Spoken Language Understanding in Human-Human Call Center Conversations
Avaya(Avaya公司);Wrocław University of Science and Technology(弗罗茨瓦夫理工大学);Poznan University of Technology(波兹南理工大学);AGH University of Science and Technology(AGH科技大学)
Avaya Conversational Intelligence(ACI)是一款端到端、基于云的解决方案,用于呼叫中心的实时口语理解。它结合了大词汇量、实时语音识别、转录细化以及实体和意图识别,以便将实时音频转换为丰富的可操作的结构化事件流。这些事件可以进一步与业务规则引擎一起使用,从而作为实时监督和辅助应用程序的基础。在摄取之后,呼叫通过无监督的关键字提取、抽象摘要和业务定义的属性来丰富,从而实现离线用例,例如商业智能、主题挖掘、全文搜索、质量保证和代理培训。ACI提供了一个包含数百个意图的预训练、可配置库和一个强大的意图训练环境,允许高效、经济高效地创建和定制客户特定的意图。
2019-09-02 cs.CL cs.LG cs.SD
Did they answer? Subjective acts and intents in conversational discourse
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
话语信号通常是隐含的,留给口译员去做出必要的推断。与此同时,话语是嵌入在一个社会背景下,这意味着口译员应用自己的假设和信念时,解决这些推论,导致多种,有效的解释。然而,目前的话语数据和框架忽略了社会方面,只期望一个单一的地面真理。我们提出了第一个话语数据集与英语会话的形式感知会话行为和意图的多重和主观的解释。我们仔细分析了我们的数据集,并创建了计算模型,以(1)证实我们的假设,即考虑到口译员的偏见会导致对口译的更好预测,(2)并显示分歧是微妙的,需要对不同的上下文因素有更深入的理解。我们在http://github.com/elisaF/subjective_discourse上分享我们的数据集和代码。
2021-04-09 cs.CL
Towards Anthropomorphic Conversational AI Part I: A Practical Framework
Alibaba Group(阿里巴巴集团)
本文提出一个多模块框架,通过思考、资源和响应模块协同增强LLM智能体的社交与对话智能,实验表明无需微调即可显著提升类人对话表现。
2025-02-28 cs.AI cs.CL
Tartan: A retrieval-based socialbot powered by a dynamic finite-state machine architecture
Carnegie Mellon University(卡内基梅隆大学)
本文描述了为2018年Alexa Prize竞赛构建的Tartan会话代理。Tartan是一个非目标导向的社交机器人,专注于为用户提供一个吸引人的和流畅的休闲对话。Tartan的主要特点包括强调基于灵活的有限状态模型的结构化对话,以及专注于理解和使用对话行为的方法。为了提供引人入胜的对话,Tartan将脚本般的动态响应与基于数据的生成和检索模型相结合。Tartan的独特之处在于我们的对话管理器被建模为动态有限状态机。据我们所知,没有其他会话代理实现遵循这种特定的结构。
2018-12-04 cs.AI cs.CL
A Survey on Artificial Intelligence for Source Code: A Dialogue Systems Perspective
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
在这篇调查论文中,我们概述了过去35年来自然语言处理(NLP)和源代码中使用的主要深度学习方法。接下来,我们将介绍人工智能(AI)在源代码中的应用,也称为代码智能(CI)和程序设计语言处理(PLP)。我们调查了超过287出版物,并提出了一个软件工程为中心的分类法CI放置到一个类别,描述它如何最好地协助软件开发周期的每一个作品。然后,我们概述了会话助理领域及其在软件工程和教育中的应用。最后,我们强调了人工智能与代码和会话助理交叉点的研究机会,并为研究具有CI功能的会话助理提供了未来的方向。
2022-02-10 cs.CL cs.CY cs.LG
A Desideratum for Conversational Agents: Capabilities, Challenges, and Future Directions
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本综述提出对话智能体的期望目标,从推理、监控、控制三维度分析LLM驱动智能体,指出评估、长期推理、自我进化等关键研究方向,推动迈向AGI。
2025-04-07 cs.AI cs.CL
BERT-based Ensembles for Modeling Disclosure and Support in Conversational Social Media Text
Netaji Subhas Institute of Technology(内塔吉·苏巴斯理工学院);International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院)
人们越来越有兴趣了解人类如何发起和进行对话。会话的情感理解关注的是说话者如何利用情感对情景和彼此做出反应的问题。在CL-Aff共享任务中,组织者发布了Get it #OffMyChest数据集,其中包含来自休闲和忏悔对话的Reddit评论,标记为披露和保密特征。在本文中,我们介绍了一个预测集成模型,利用微调的上下文词嵌入,罗伯特和阿尔伯特。我们表明,我们的模型在所有考虑的指标优于基础模型,实现了$3\%$的F1分数的改善。我们进一步进行统计分析,并概述对给定数据集的更深入见解,同时为数据集提供新的影响特征。
2020-06-01 cs.CL cs.SI
A Challenge Dataset and Effective Models for Conversational Stance Detection
Shenzhen University(深圳大学);Shenzhen Technology University(深圳技术大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
本文提出多轮对话立场检测数据集MT-CSD及全局-局部注意力网络GLAN,解决多方讨论建模难题,最先进方法准确率仅50.47%,凸显挑战并促进跨领域研究。
2024-03-21 cs.CL
Emora: An Inquisitive Social Chatbot Who Cares For You
Emory University(埃默里大学)
受人与人之间对话中经验分享的研究启发,埃默里大学开发的社交聊天机器人Emora旨在将这种以经验为中心的交互带入当前的对话人工智能领域。信息共享主题处理程序的传统方法与Emora提供的以观点为导向的交流相平衡,并开发了新的对话能力,支持由合作理解和学习伙伴生活经验的过程组成的对话。我们提出了一个策划的对话系统,利用高度表达的自然语言模板,强大的意图分类,和本体资源,提供一个引人入胜的和有趣的对话体验,每个用户。
2020-09-10 cs.AI cs.CL
Gunrock 2.0: A User Adaptive Social Conversational System
University of California, Davis(加州大学戴维斯分校)
Gunrock 2.0建立在Gunrock之上,强调用户适应性。Gunrock 2.0结合了各种神经自然语言理解模块,包括命名实体检测,链接和对话行为预测,以提高用户的理解能力。它的对话框管理是一个分层模型,可以处理各种主题,如电影、音乐和体育。系统级对话管理器可以处理问题检测、确认、错误处理和其他功能,使下游模块更容易设计和实现。对话管理器还调整其主题选择以适应不同用户的配置文件信息,例如推断的性别和个性。生成模型是模板和神经生成模型的混合。Gunrock 2.0在5月29日至6月4日的最新版本中能够达到3.73的平均评级。
2020-11-30 cs.AI cs.CL
Academically intelligent LLMs are not necessarily socially intelligent
University of Chinese Academy of Sciences(中国科学院大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所)
提出基于真实社会情境的 SESI 基准,评估 13 个先进 LLM 智能体,发现其社会智能仍不足且与学术智能相关性较低。
2024-03-11 cs.CL cs.CY
Detecting early signs of depression in the conversational domain: The role of transfer learning in low-resource scenarios
PRHLT research center, Universitat Politècnica de València(瓦伦西亚理工大学PRHLT研究中心);Faculty of Mathematics and Computer Science, University of Bucharest(布加勒斯特大学数学与计算机科学学院);CIIRC, Czech Technical University(捷克技术大学捷克信息学、机器人与控制论研究所)
抑郁症在社会中的高度流行引起了对新的数字化工具的需求,以帮助其早期发现。为此,现有的研究主要集中在检测社交媒体领域的抑郁症,其中有足够的数据量。然而,随着Siri或Alexa等会话代理的兴起,会话领域变得越来越重要。不幸的是,缺乏对话领域的数据。我们进行了一项研究,侧重于领域自适应从社会媒体到会话域。我们的方法主要利用文本的矢量表示中保留的语言信息。我们描述了迁移学习技术,以分类用户谁患有抑郁症的早期迹象与高回忆。我们在一个常用的会话数据集上实现了最先进的结果,并且我们强调了该方法如何轻松地用于会话代理。我们公开发布所有源代码。
2022-04-22 cs.CL cs.LG
Cross-Linguistic Offensive Language Detection: BERT-Based Analysis of Bengali, Assamese, & Bodo Conversational Hateful Content from Social Media
LUT University(拉彭兰塔理工大学);University of Oulu(奥卢大学);University of Helsinki(赫尔辛基大学)
针对社交媒体多语言仇恨言论检测问题,研究基于多种BERT模型开展HASOC-2023任务4的孟加拉语、阿萨姆语、博多语仇恨内容检测,发现XML-Roberta-large多数场景优于单语模型,团队在对应赛道取得第三、第五名的成绩。
2023-12-16 cs.CL cs.LG
Exploring the Potential of Conversational AI Support for Agent-Based Social Simulation Model Design
University of Nottingham(诺丁汉大学)
本研究探索利用对话式AI系统(如ChatGPT)辅助基于智能体的社会仿真模型设计,通过提示工程和工程化框架,在短时间内生成概念模型,并验证了其可行性与实用性。
2025-10-07 cs.AI cs.CL cs.HC
SpeechEQ: Benchmarking Emotional Intelligence Quotient in Socially Aware Voice Conversational Models
New York University(纽约大学);NVIDIA(英伟达);Carnegie Mellon University(卡内基梅隆大学);NYU Shanghai(上海纽约大学)
提出SpeechEQ框架,基于EQ-i 2.0理论构建2265个对话数据集,通过口语情商(SEQ)评分评估语音语言模型在主动多轮对话中的副语言社交线索推理能力,揭示端到端模型存在模态捷径、安全陷阱和上下文遗忘等瓶颈。
2026-11-03 cs.AI cs.CL cs.SD
EgoSocialArena: Benchmarking the Social Intelligence of Large Language Models from a First-person Perspective
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);Alibaba Group(阿里巴巴集团)
本文提出EgoSocialArena框架,从第一人称视角系统评估大语言模型的社交智能,涵盖认知、情境和行为三大支柱,并发现最先进模型仍落后于人类表现。
2025-02-24 cs.AI cs.CL
CharacterGLM: Customizing Chinese Conversational AI Characters with Large Language Models
Tsinghua University(清华大学);Lingxin AI(灵心人工智能);Zhipu AI(智谱人工智能);Renmin University of China(中国人民大学)
本文提出CharacterGLM系列模型,基于ChatGLM构建,通过配置角色属性与行为实现中文对话AI角色定制,在一致性、类人性和参与度上超越GPT等主流闭源模型,并开源6B版本及部分训练数据。
2023-11-28 cs.AI cs.CL
Human-AI Coevolution Dynamics: A Formal Theory of Social Intelligence Emergence Through Long-Term Interaction
School of Information and Electronics, Beijing Institute of Technology(信息与电子学院,北京理工大学);Institute of Scientific and Technical Research on Archives, Beijing(档案科学与技术研究所,北京);China Electronics Engineering Design Institute Co., Ltd.(中国电子工程设计院有限公司)
提出人机协同演化动力学框架(HACD-H),将情感适应、关系组织、社会记忆和人格一致性整合为统一动力学模型,通过约14,700轮对话数据集验证,发现社会智能与社会认知能量显著负相关,揭示社会智能源于长期协同演化。
2026-06-18 cs.AI cs.CL
Graphically Speaking: Unmasking Abuse in Social Media with Conversation Insights
INRIA(法国国家信息与自动化研究所);Sciences Po(巴黎政治学院);Télécom Paris(巴黎电信学院)
提出利用图神经网络将社交媒体对话建模为图以捕获上下文,系统研究图表示与上下文窗口配置,显著提升滥用语言检测的F1分数。
2025-04-02 cs.AI cs.CL cs.LG
DeSIQ: Towards an Unbiased, Challenging Benchmark for Social Intelligence Understanding
Monash University(莫纳什大学)
本文发现Social-IQ基准存在严重偏差,提出经扰动构建的新数据集DeSIQ以显著降低偏差,并系统分析了模型规模、多模态等因素对社会智能理解性能的影响。
2023-10-24 cs.AI cs.CL
"How Was Your Weekend?" A Generative Model of Phatic Conversation
Principles of Expressive Machines Lab(表达机器原理实验室);Department of Computer Science(计算机科学系);North Carolina State University(北卡罗来纳州立大学)
潜规则,如那些决定选择适当的讨论话题和何时改变讨论话题的规则,指导着会话行为。我们提出了一个计算模型的对话,可以遵循或打破这样的规则,与参与者代理相应地作出反应。此外,我们展示了该模型的应用:实验社会导师(EST),第一步的社会技能培训工具,产生人类可读的对话和对话中的每一点的指导方针。最后,我们讨论了一个试点研究评估EST的设计和结果。结果表明,我们的模型能够产生遵循社会规范的对话。
2018-02-13 cs.AI cs.CL
DuplexCascade: Full-Duplex Speech-to-Speech Dialogue with VAD-Free Cascaded ASR-LLM-TTS Pipeline and Micro-Turn Optimization
SB Intuitions Corp.(SB Intuitions公司);The University of Tokyo(东京大学)
DuplexCascade通过无VAD级联流水线和微轮询优化,实现全双工语音对话的高效交互与强对话智能。
2026-03-10 cs.AI cs.CL
Multimodal Multi-turn Conversation Stance Detection: A Challenge Dataset and Effective Model
Shenzhen Technology University(深圳技术大学);Peking University(北京大学)
针对现有多模态立场检测忽略多方对话语境的问题,本文提出多模态多轮对话立场检测数据集MmMtCSD及多模态大语言模型框架MLLM-SD,通过联合学习文本与视觉表示实现最先进的立场检测性能。
2024-09-01 cs.CL cs.MM
Social Intelligence Data Infrastructure: Structuring the Present and Navigating the Future
National University of Singapore(新加坡国立大学);Institute for Infocomm Research (IR)(信息通信研究院);A*STAR(新加坡科技研究局);Stanford University(斯坦福大学)
为解决NLP领域社交智能数据集缺乏系统整合的问题,研究构建了包含480个数据集的Social AI Data Infrastructure,以分析现有数据格局并指引未来多维度、高多样性及交互式数据集的开发方向。
2024-02-28 cs.AI cs.CL cs.CY
Should agentic conversational AI change how we think about ethics? Characterising an interactional ethics centred on respect
Google Research(谷歌研究院);University of Oxford(牛津大学);Stellenbosch University(斯泰伦博斯大学)
针对现有LLM对话智能体伦理研究仅关注语义层面HHH准则的不足,提出以关系和情境因素为核心的互动伦理,探讨系统作为社会参与者的尊重内涵,预判互动风险并给出实用建议。
2024-05-16 cs.AI cs.CL cs.HC
Understanding Public Perceptions of AI Conversational Agents: A Cross-Cultural Analysis
National University of Singapore(新加坡国立大学);The Hong Kong Baptist University(香港浸会大学)
本研究通过分析约一百万条社交媒体讨论,比较中美公众对对话代理的认知差异,发现中国用户更偏享乐且情绪积极,美国用户更重功能且态度矛盾,温暖感知是两国积极情绪的共同关键驱动因素。
2024-02-25 cs.CL cs.HC
SOTOPIA: Interactive Evaluation for Social Intelligence in Language Agents
Carnegie Mellon University(卡内基梅隆大学)
提出SOTOPIA开放环境模拟复杂社会互动,通过SOTOPIA-Eval框架评估代理社会智能,发现GPT-4在困难场景中目标完成率低于人类且缺乏社会常识推理能力。
2024-03-22 cs.AI cs.CL cs.LG
The Three Social Dimensions of Chatbot Technology
Newcastle University(纽卡斯尔大学)
本文提出从科学研究对象、商业工具和亲密互动代理三个社会维度审视聊天机器人技术,以理解其社会嵌入性及对人类经验的影响。
2024-12-16 cs.AI cs.CL cs.CY
Mediators: Conversational Agents Explaining NLP Model Behavior
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));Technische Universität Berlin(柏林工业大学)
以人为中心的可解释人工智能(HCXAI)社区提出了将解释过程框定为人机对话的需求。在本立场文件中,我们为中介者(Mediators)建立了必要条件,中介者是基于文本的对话代理,能够使用自然语言交互式解释神经模型的行为。从自然语言处理(NLP)研究的角度来看,我们工程师这样一个调解人的情感分析的任务的蓝图,并评估目前的研究有多远的道路上,以对话为基础的解释。
2022-06-13 cs.AI cs.CL cs.HC
Advancing Social Intelligence in AI Agents: Technical Challenges and Open Questions
Carnegie Mellon University(卡内基梅隆大学)
本文为立场性论文,围绕具备社会智能的AI智能体(Social-AI)研究,结合社会智能概念与已有进展,梳理了多学科交叉背景下的核心技术挑战与开放问题,为各计算领域研究者提供研究方向参考。
2024-10-08 cs.CL cs.HC cs.LG