Improving Interpersonal Communication by Simulating Audiences with Language Models

要約

目標を達成するために他の人とどのようにコミュニケーションをとればよいでしょうか?
私たちは、これまでの経験や他人からのアドバイスを利用したり、それがどのように受け取られるかを予測して発話候補を構築したりします。
ただし、私たちの経験は限られており、偏っているため、潜在的な結果について推論するのは難しく、認知的に困難な場合があります。
このペーパーでは、大規模言語モデル (LLM) シミュレーションを活用してコミュニケーションを改善する方法を検討します。
私たちは、個人が達成したい目標を視聴者に伝えるあらゆるシナリオを入力として受け取る、Explore-Generate-Simulate (EGS) フレームワークを提案します。
EGS は、(1) シナリオに関連する多様なアドバイスのセットを生成することによってソリューション空間を探索し、(2) アドバイスのサブセットを条件としたコミュニケーションの候補を生成し、(3) さまざまな聴衆からの反応をシミュレートして、最適な候補とその両方を決定します。
使用するためのアドバイス。
私たちは、対人コミュニケーションの 10 の基本的なプロセスにわたる 8 つのシナリオに基づいてフレームワークを評価します。
シナリオごとに、候補とベースラインにわたる人間による評価のデータセットを収集し、フレームワークで選択された候補が思考連鎖などの一般的な生成メカニズムよりも優先されることを示します。
また、8 つのシナリオのうち 5 つで、視聴者シミュレーションが人間の評価者とかなり高い一致を達成していることもわかりました。
最後に、Web フォーラムでユーザーが説明した現実世界のシナリオにフレームワークを適用することで、フレームワークの一般性を示します。
評価とデモンストレーションを通じて、EGS がさまざまな状況にわたって目標指向のコミュニケーションの有効性と結果を強化し、それによってコミュニケーションと意思決定のプロセスに革命を起こす際に大規模な言語モデルを適用する新たな可能性が開かれることを示します。

要約(オリジナル)

How do we communicate with others to achieve our goals? We use our prior experience or advice from others, or construct a candidate utterance by predicting how it will be received. However, our experiences are limited and biased, and reasoning about potential outcomes can be difficult and cognitively challenging. In this paper, we explore how we can leverage Large Language Model (LLM) simulations to help us communicate better. We propose the Explore-Generate-Simulate (EGS) framework, which takes as input any scenario where an individual is communicating to an audience with a goal they want to achieve. EGS (1) explores the solution space by producing a diverse set of advice relevant to the scenario, (2) generates communication candidates conditioned on subsets of the advice, and (3) simulates the reactions from various audiences to determine both the best candidate and advice to use. We evaluate the framework on eight scenarios spanning the ten fundamental processes of interpersonal communication. For each scenario, we collect a dataset of human evaluations across candidates and baselines, and showcase that our framework’s chosen candidate is preferred over popular generation mechanisms including Chain-of-Thought. We also find that audience simulations achieve reasonably high agreement with human raters across 5 of the 8 scenarios. Finally, we demonstrate the generality of our framework by applying it to real-world scenarios described by users on web forums. Through evaluations and demonstrations, we show that EGS enhances the effectiveness and outcomes of goal-oriented communication across a variety of situations, thus opening up new possibilities for the application of large language models in revolutionizing communication and decision-making processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google