Le nouveau travail de Yang Diyi : La société peut être sauvée. Les grands modèles d'IA discutent en tête-à-tête et aident les gens à devenir des gens électroniques.

Dans les activités sociales, les grands modèles linguistiques peuvent être à la fois vos partenaires et vos mentors.

Dans les activités sociales humaines, afin de communiquer plus efficacement avec les autres au travail et dans la vie, certaines compétences sociales sont requises, comme la résolution de conflits.

Cependant, les environnements permettant de pratiquer les compétences sociales sont souvent hors de portée pour la plupart des gens. La formation de ces compétences, notamment par des experts, prend souvent du temps, est coûteuse et est d'une disponibilité limitée. Les pratiques existantes et les mécanismes de retour d’information s’appuient fortement sur la supervision d’experts, ce qui rend la formation difficile à mettre à l’échelle. De plus, il existe une pénurie de coachs formés professionnellement, et la plupart des coachs capables de fournir des commentaires personnalisés ne parviennent pas à aider un grand nombre de personnes dans le besoin.

Récemment, dans l'article "Social Skill Training with Large Language Models" co-écrit par le professeur adjoint de Stanford Yang Diyi, les chercheurs pensent qu'avec l'aide de grands modèles de langage, la formation aux compétences sociales peut être rendue plus facile et plus efficace. . Sûr, plus engageant et fournit des commentaires personnalisés dans des espaces de pratique réels et virtuels.

Adresse papier : https://arxiv.org/pdf/2404.04204.pdf

Plus précisément, les chercheurs ont proposé les deux cadres de formation aux compétences sociales suivants.

Le premier cadre de formation est AI Partner, qui fournit une solution évolutive pour la formation expérientielle à travers des exercices de simulation. Des recherches antérieures ont montré que les jeux de rôle humains peuvent enseigner efficacement les compétences en communication, en collaboration et en leadership. La simulation permet aux apprenants de prendre moins de risques et de coûts d'opportunité que la formation sur le terrain. Et grâce à la simulation, AI Partner réduira les barrières socio-économiques à l’entrée dans le monde professionnel.

Le deuxième cadre de formation complémentaire est AI Mentor, qui fournira un feedback personnalisé basé sur l'expertise du domaine et des connaissances factuelles.

Les deux cadres de formation (collectivement connus sous le nom d'APAM) combinent l'apprentissage expérientiel avec la pratique du monde réel et un retour personnalisé. Les chercheurs appellent à l’innovation interdisciplinaire pour répondre aux vastes impacts de l’APAM.

Yang Diyi, l'auteur de l'article, a déclaré : « L'apprentissage des compétences sociales est hors de portée pour la plupart des gens. Comment pouvons-nous rendre la formation aux compétences sociales plus facile à réaliser ? Sur cette base, nous avons lancé l'APAM, qui utilise le LLM. propose une formation aux compétences sociales grâce à des pratiques réelles et des commentaires personnalisés ! »

Elle a poursuivi : « Dans APAM, lorsque les utilisateurs souhaitent acquérir une nouvelle compétence sociale, AI Partner peut les aider à passer le dialogue de simulation pour mettre en pratique des scénarios pertinents. AI Mentor peut fournir des commentaires basés sur les connaissances aux moments critiques de la simulation

APAM Architecture Overview

Cette étude propose un cadre général spécifiquement pour la formation aux compétences sociales. Le cadre comprend AI Partner et AI Mentor ( tous deux appelés APAM), et ces deux éléments sont cruciaux. Lorsque les utilisateurs souhaitent acquérir une nouvelle compétence sociale, AI Partner peut les aider à mettre en pratique des scénarios pertinents via des conversations simulées. AI Mentor peut fournir des commentaires basés sur les connaissances à des moments critiques de la simulation.

Cependant, créer et déployer des partenaires IA n'est pas facile. Par exemple, il est difficile de maintenir une cohérence dans le style, le comportement et les caractéristiques émotionnelles des personnages simulés. Le développement d'AI Mentor repose fortement sur des facteurs tels que l'expertise du domaine, la connaissance de la situation et l'efficacité du feedback.

Afin de résoudre les problèmes ci-dessus, les chercheurs ont proposé une méthode générale de formation aux compétences sociales via LLM, qui se déroule en quatre étapes :

1. Comprendre comment résoudre des problèmes de compétences (par exemple, les conflits résolution);
2. Concevoir un partenaire IA pour simuler des conversations et permettre aux apprenants (c'est-à-dire les utilisateurs) d'être exposés au processus et à la pratique cibles
3. Créer un mentor IA pour fournir des commentaires ;
4. Intégrer ces deux ; agents dans l'environnement de simulation pour que les utilisateurs puissent apprendre.

Les chercheurs affirment que le public idéal pour le cadre APAM est constitué de débutants, mais les personnes expérimentées peuvent également utiliser le système APAM pour rafraîchir leurs connaissances.

APAM peut améliorer les compétences des apprenants dans de nombreux domaines, le tableau 1 répertorie quelques scénarios d'application, tels que la façon d'écouter, les conseils en santé mentale, etc. Cependant, le cadre APAM ne se limite pas à ces exemples typiques, et il y a une introduction plus détaillée dans la section 6 du document.

Bien que les LLM aient un grand potentiel en tant qu'outils de formation aux compétences sociales, car ils peuvent générer un texte cohérent et naturel. Cependant, cette flexibilité s’accompagne souvent d’une contrôlabilité limitée.

Pour des raisons de sécurité, le cadre APAM propose une série de mesures sur la manière d'appliquer l'IA. Elles décomposent le processus d'utilisation en un continuum : le continuum des partenaires d'IA et le continuum des mentors d'IA. Chaque continuum se compose de trois. Le modèle est complété. (comme le montre la figure 1).

Résultats de l'évaluation

L'évaluation des partenaires et des mentors en IA est un défi important, et les outils basés sur l'APAM impliquent des systèmes informatiques complexes et des interactions avec des utilisateurs ayant des besoins et des antécédents différents.

Afin de développer ces outils de formation en tant que domaine, les mesures d'évaluation doivent aller au-delà des mesures traditionnelles du traitement du langage naturel et utiliser plutôt des solutions provenant de plusieurs domaines et parties prenantes connexes. L'intégration d'une perspective multidisciplinaire aidera à évaluer les performances empiriques, la convivialité du point de vue de l'utilisateur et l'impact à long terme sur les utilisateurs et les communautés de tels systèmes.

Actuellement, la recherche sur la génération de texte se concentre principalement sur l'évaluation intrinsèque, c'est-à-dire l'évaluation de la qualité du résultat à travers des règles ou des interactions prédéfinies.

Dans le tableau 2 ci-dessous, les chercheurs sont principalement divisés en évaluation entièrement automatique et évaluation pilotée par l'utilisateur. Les mesures basées sur des références telles que la perplexité ou la divergence de Kullback-Leibler sont souvent utilisées pour l'évaluation automatisée de la qualité du système, car elles sont à la fois simples et permettent une définition riche du comportement souhaité grâce à une démonstration.

Le Tableau 2 détaille les procédures d'évaluation intrinsèques et extrinsèques appliquées aux systèmes APAM dans des travaux antérieurs. Actuellement, les praticiens du traitement du langage naturel se préoccupent principalement de l’évaluation intrinsèque des systèmes. Dans cet article, les chercheurs soulignent l’importance d’utiliser des mesures établies des résultats scolaires pour évaluer les systèmes APAM.

Veuillez vous référer au document original pour plus de détails.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!