[論文レビュー] Strategic Adaptation Under Contextual Change: Insights from a Dyadic Negotiation Testbed for AI Coaching Technologies

Mobasshira Akter Urmi, Raiyan Abdul Baten|arXiv (Cornell University)|Feb 4, 2026

Conflict Management and Negotiation被引用数 0

ひとこと要約

この論文は、再利用可能で instrumented な二者協調交渉のテストベッドを提示し、戦略的適応を研究するための制御された途中 perturbation を導入して、文脈変化が行動を分配的戦術へと偏らせ、結果だけでなく主観的経験にも影響を与えることを示す。

ABSTRACT

Strategic adaptation -- the ability to adjust interaction behavior in response to changing constraints and leverage -- is a central goal of negotiation training and an emerging target for AI coaching systems. However, adaptation is difficult to evaluate because adaptation-relevant moments arise unpredictably in typical tasks. We study a reusable dyadic negotiation testbed that employs a controlled midstream change in one party's outside alternative as a repeatable perturbation to stress-test adaptation. In a six-round chat-based negotiation study (N=100), the perturbation reliably reorganized interaction dynamics: transitions between integrative (cooperative) and distributive (positional) behaviors declined, behavioral diversity narrowed, and interactions drifted toward more distributive tactics. Critically, this distributive drift predicted worse relational experience net of objective outcomes, and adaptation patterns were path dependent on prior behavior. These results establish a methodological bridge for evaluating and comparing AI coaching systems on strategic adaptation as a process and identify failure modes and design targets for adaptive interaction support.

研究の動機と目的

• ダイナミックな交渉文脈における戦略的適応をコアスキルとして研究する動機付け。
• 制御された途中の変更を用いて適応をストレステストするための、反復可能で instrumented なテストベッドを提供する。
• observable な相互作用ダイナミクスと客観的成果および主観的経験を結びつけ、コーチングシステムを評価する。
• 適応AI交渉コーチングの形成すべき適応失敗モードとガイダンス対象を特定する。

提案手法

• 4つの課題（給与、ボーナス、株式オプション、休暇）と各課題5レベルを含む6ラウンドのチャットベースの多課題交渉を設計する。
• ラウンド3で片方のアウトサイドオプション（BATNA）を増加させ、途中の制御撹乱を導入する。
• 行動モード（統合的、分配的、中立）、切替、行動エントロピーのプロセスメジャーをラウンド間で計測する。
• predefined なペイオフ関数から客観的共同および個別効用を算出し、主観的経験を主観的価値調査（SVI）で評価する。
• 線形回帰とdyadクラスタ標準誤差およびFDR補正を用いて PRE vs POST の変化を分析する。

Figure 1. Throughline from adaptation testbed requirements to design choices, observable signals, and AI coaching implications.

実験結果

リサーチクエスチョン

• RQ1 制御された途中撹乱は、交渉行動を測定可能な方法で信頼性高く再編成するか。
• RQ2 転換点後に現れる適応パターンは、客観的成果を超えて主観的経験に影響を与えるか。
• RQ3 転換点後の適応は、変化前の行動に依存する経路依存性があるか。
• RQ4 観察された適応ダイナミクスからAIコーチング設計にどんな示唆が得られるか。

主な発見

指標	平均差分	標準誤差	t値	p値	p調整	95%CI
Neutral proportion	-0.150	0.029	-5.10	<.001	.000002	[-0.21, -0.09]
Entropy	-0.280	0.069	-4.06	<.001	.000169	[-0.41, -0.14]
Switches per step	-0.092	0.028	-3.25	0.001	.002685	[-0.15, -0.04]
Number of switches	-0.855	0.286	-2.99	0.003	.004913	[-1.42, -0.29]
Distributive proportion	+0.101	0.035	2.88	0.004	.005483	[+0.03, +0.17]

• 撹乱後、ニュートラルな行動が減少し行動エントロピーが低下し、行動の多様性が減少することを示す。
• 転換点後に分配的（ポジショナル）行動が増加し、より分配的な戦術への移行を示唆する。
• 分配的傾向は、共同の客観的成果が一定でも全体的主観的価値と信頼関係の低下を予測する。
• 転換点は経路依存性を持つ：転換前に統合的だった行動は転換後に分配的戦術へより偏りやすく、転換前に分配的だった行動は以降の増加が小さい。
• 分配的行動への移行は、結果以上の追加的分散を説明する主要な要因となり得る（ΔR² ≈ .18–.22）。
• 転換点は二者間での行動の柔軟性を低下させ、よりポジション志向の相互作用を誘発する。