Let’s move on: Topic Change in Robot-Facilitated Group Discussions

要約

ロボットが司会するグループディスカッションは、人間の参加者間の魅力的で生産的な交流を促進する可能性がある。会話エージェントにおけるトピック管理に関するこれまでの研究は、主に人間の参加とトピックのパーソナライゼーションに焦点を当てており、エージェントはディスカッションにおいて積極的な役割を担っている。また、ロボットをグループに参加させることの有用性が研究により示されているが、ロボットが議論を促進しながら話題を変えるタイミングを学習するためには、さらなる探求が必要である。そこで本研究では、適切な話題の変更を予測するための機械学習モデルと視聴覚的非言語的特徴の適合性を調査する。我々は、ロボットの司会者と人間の参加者の間のインタラクションを利用し、アノテーションを行い、音響と身体言語関連の特徴を抽出するために利用した。異なる特徴セットを用いて、逐次データと非逐次データを用いた機械学習アプローチの性能の詳細な分析を行う。その結果、不適切なトピック変更の分類において、ルールベースのアプローチを上回る有望な性能が示された。さらに、音響特徴量は、マルチモーダル特徴量の完全なセットと比較して、同等の性能と頑健性を示した。我々の注釈付きデータは、https://github.com/ghadj/topic-change-robot-discussions-data-2024 で公開されている。

要約(オリジナル)

Robot-moderated group discussions have the potential to facilitate engaging and productive interactions among human participants. Previous work on topic management in conversational agents has predominantly focused on human engagement and topic personalization, with the agent having an active role in the discussion. Also, studies have shown the usefulness of including robots in groups, yet further exploration is still needed for robots to learn when to change the topic while facilitating discussions. Accordingly, our work investigates the suitability of machine-learning models and audiovisual non-verbal features in predicting appropriate topic changes. We utilized interactions between a robot moderator and human participants, which we annotated and used for extracting acoustic and body language-related features. We provide a detailed analysis of the performance of machine learning approaches using sequential and non-sequential data with different sets of features. The results indicate promising performance in classifying inappropriate topic changes, outperforming rule-based approaches. Additionally, acoustic features exhibited comparable performance and robustness compared to the complete set of multimodal features. Our annotated data is publicly available at https://github.com/ghadj/topic-change-robot-discussions-data-2024.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL