EmoDynamiX: Emotional Support Dialogue Strategy Prediction by Modelling MiXed Emotions and Discourse Dynamics

要約

苦痛を経験している人々に快適さとアドバイスを提供するために、感情的にインテリジェントな会話システムを設計することは、魅力的な研究分野です。
最近、大規模な言語モデル（LLMS）の進歩により、明示的な戦略予測ステップのないエンドツーエンドのダイアログエージェントが一般的になりました。
しかし、暗黙戦略の計画には透明性が欠けており、最近の研究では、LLMSの固有の嗜好バイアスが特定の社会感情的戦略に向けて高品質の感情的サポートの提供を妨げることが示されています。
この課題に対処するために、言語生成からのデカップリング戦略予測を提案し、新しいダイアログ戦略予測フレームワークであるEmodynamixを紹介します。これは、ユーザーの微細な感情とシステム戦略の間の談話ダイナミクスをモデル化し、パフォーマンスと透明性を向上させるために不均一なグラフを使用します。
2つのESCデータセットでの実験結果は、Emodynamixが、かなりのマージン（より良い習熟度とより低い優先バイアス）を持つ以前の最先端の方法を上回ることを示しています。
また、私たちのアプローチは、意思決定のバックトレースを可能にすることにより、より良い透明性を示しています。

要約(オリジナル)

Designing emotionally intelligent conversational systems to provide comfort and advice to people experiencing distress is a compelling area of research. Recently, with advancements in large language models (LLMs), end-to-end dialogue agents without explicit strategy prediction steps have become prevalent. However, implicit strategy planning lacks transparency, and recent studies show that LLMs’ inherent preference bias towards certain socio-emotional strategies hinders the delivery of high-quality emotional support. To address this challenge, we propose decoupling strategy prediction from language generation, and introduce a novel dialogue strategy prediction framework, EmoDynamiX, which models the discourse dynamics between user fine-grained emotions and system strategies using a heterogeneous graph for better performance and transparency. Experimental results on two ESC datasets show EmoDynamiX outperforms previous state-of-the-art methods with a significant margin (better proficiency and lower preference bias). Our approach also exhibits better transparency by allowing backtracing of decision making.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google