立即发布
研究人员开发了一种新的人工智能(AI)框架，它比以前的技术更擅长分析和分类个人之间的对话，目的是改进团队培训技术。该框架将使培训技术能够更好地了解个人之间的协调情况以及作为团队一部分的工作情况。
“人们对开发人工智能培训技术非常感兴趣，这些技术可以理解团队合作的动态，并修改他们的培训，以促进团队成员之间更好的协作，”该研究论文的合著者、北卡罗来纳州立大学的研究科学家Wookhee Min说。“然而，以前的人工智能架构很难准确评估团队成员在交流时彼此分享的内容。”
“我们开发了一个新的框架，可以显著提高人工智能分析团队成员之间沟通的能力，”该论文的第一作者、北卡罗来纳州立大学的博士生杰伊·潘德(Jay Pande)说。“这是自适应培训技术发展的重要一步，旨在促进有效的团队沟通和协作。”
新的人工智能框架建立在一个强大的深度学习模型上，该模型是在一个大型的基于文本的语言数据集上训练的。这个模型被称为文本到文本转换转换器(T5)，然后使用在美国陆军进行的班级训练演习中收集的数据进行定制。
闵说:“我们修改了T5模型，利用团队的语境特征——比如说话者的角色——来更准确地分析团队沟通。”“这种背景可能很重要。例如，一个团队领导说的话可能需要与另一个团队成员说的话不同。”
为了测试新框架的性能，研究人员将其与之前的两种人工智能技术进行了比较。具体来说，研究人员测试了这三种人工智能技术在训练演习中理解六名士兵小组对话的能力。
AI框架的任务是两件事:对正在发生的对话进行分类，并跟踪小队内部的信息流。对对话进行分类是指确定对话的目的。例如，某人是请求信息、提供信息还是发出命令?遵循信息流是指如何在团队中共享信息。例如，信息是通过命令链向上传递还是向下传递?
潘德说:“我们发现，新框架的表现比以前的人工智能技术要好得多。”
Min说:“其中一件特别有希望的事情是，我们使用来自一个训练任务的数据来训练我们的框架，但使用来自不同训练任务的数据来测试模型的性能。”“与之前的人工智能模型相比，性能的提升是显著的——尽管我们是在一组新的环境中测试该模型。”
研究人员还指出，他们能够使用一个相对较小的T5模型来实现这些结果。这很重要，因为这意味着他们可以在没有超级计算机的情况下在几分之一秒内完成分析。
潘德说:“这项工作的下一步包括探索新框架在多大程度上可以应用于各种其他训练场景。”
Min说:“我们用训练数据测试了这个新框架，这些数据是由人类从音频文件转录成文本的。”“下一步将涉及将框架与人工智能模型集成，将音频数据转录为文本，以便我们可以评估该技术实时分析团队通信数据的能力。这可能涉及提高框架在人工智能转录音频数据时处理噪音和错误的能力。”
这篇题为“基于变压器的对话建模的稳健团队沟通分析”的论文将于7月3日至7日在日本东京举行的第24届国际人工智能教育会议(AIED 2023)上发表。这篇论文的合著者是杰森·萨维尔(Jason Saville)，他曾是北卡罗来纳州立大学的研究生;James Lester，北卡罗来纳州立大学人工智能和机器学习晚安杰出大学教授;以及美国陆军作战能力发展司令部(DEVCOM)的兰德尔·西班牙。士兵中心。
该研究由美国陆军DEVCOM士兵中心根据合作协议W912CG-19-2-0001赞助。
希普曼-
致编辑:研究摘要如下。
基于变压器的对话建模的健壮团队沟通分析
作者: Jay Pande, Wookhee Min, Jason D. Saville和James Lester，北卡罗莱纳州立大学;兰德尔·西班牙，美国陆军作战能力发展司令部
提出了: 2023年7月3日至7日，日本东京
文摘:能够提供可靠的团队沟通洞察的适应性培训环境为团队培训和评估提供了巨大的潜力。然而，在没有机器辅助的情况下，能够对团队沟通进行有意义分析的传统技术，如人工转录和语音分类，尤其需要耗费大量资源。此外，开发能够基于小数据集执行强大的团队沟通分析的计算模型也带来了重大挑战。我们提出了一个基于转换器的团队沟通分析框架，该框架根据对话行为和所展示的信息流类型对每个团队成员的话语进行分类。该框架利用基于转换器的语言模型的特定领域迁移学习，该模型预先训练了大规模外部数据，并采用了一种表示说话者话语和说话者角色的提示工程方法。我们对现场团队训练中收集的团队沟通数据的评估结果表明，基于变压器的框架与团队沟通数据进行了微调，在对话行为识别和信息流分类方面都明显优于最先进的模型，并且还展示了改进的领域转移能力。
