[논문 리뷰] Hear You in Silence: Designing for Active Listening in Human Interaction with Conversational Agents Using Context-Aware Pacing

Zhihan Jiang, Qianhui Chen외 3명|arXiv (Cornell University)|2026. 02. 05.

Social Robot Interaction and HRI인용 수 0

한 줄 요약

본 논문은 대화 에이전트의 능동적 경청(active listening)을 구현하기 위해 맥락 인식 페이싱 프레임워크를 설계·평가하고, 전략적으로 타이밍을 둔 침묵을 통해 정적 페이싱 대비 두 개의 지원 시나리오에서 지각된 상호작용 품질이 향상됨을 보여준다.

ABSTRACT

In human conversation, empathic dialogue requires nuanced temporal cues indicating whether the conversational partner is paying attention. This type of "active listening" is overlooked in the design of Conversational Agents (CAs), which use the same pacing for one conversation. To model the temporal cues in human conversation, we need CAs that dynamically adjust response pacing according to user input. We qualitatively analyzed ten cases of active listening to distill five context-aware pacing strategies: Reflective Silence, Facilitative Silence, Empathic Silence, Holding Space, and Immediate Response. In a between-subjects study (N=50) with two conversational scenarios (relationship and career-support), the context-aware agent scored higher than static-pacing control on perceived human-likeness, smoothness, and interactivity, supporting deeper self-disclosure and higher engagement. In the career support scenario, the CA yielded higher perceived listening quality and affective trust. This work shows how insights from human conversation like context-aware pacing can empower the design of more empathic human-AI communication.

연구 동기 및 목표

• 응답 타이밍인 페이싱이 인공지능-인간 대화에서 능동적 경청 신호로 작용하는지 체계적으로 연구합니다.
• 사용자의 감정과 정보 요구를 반영하고 응답하는 맥락 인식 페이싱 전략을 식별합니다.
• 사람 간 대화의 통찰을 실행 가능한 CA 설계로 전환합니다.
• 두 가지 시나리오에서 맥락 인식 페이싱이 사용자 경험과 자발적 정보 공개에 미치는 영향을 실증적으로 평가합니다.

제안 방법

• 실제 상황에서의 능동적 경청 사례 열 건에 대한 질적 분석을 통해 페이싱 전략을 식별합니다.
• 다섯 가지 전략(Reflective Silence, Facilitative Silence, Empathic Silence, Holding Space, Immediate Response)을 적용하는 맥락 인식 페이싱을 구현하는 LLM 기반 대화 에이전트 개발.
• 전략을 여덟 가지 구체적 전술로 작동화합니다 (예: Recognize, Reconfirm, Reengage, Reposition, Reconsider, Resonate, Holding, Resolve).
• 두 그룹 설계의 실험 연구(N=50)에서 맥락 인식 페이싱 CA와 정적 페이싱 CA를 비교하고 두 가지 지원 시나리오(직업 및 관계)에서 평가합니다.
• 지각된 상호작용 품질(경청 품질, 정서적/인지적 신뢰, 인간적 유사성, 매끄러움, 상호작용성) 및 상호작용 행동(자기노출의 깊이, 참여 수준)을 정량적으로 평가합니다.
• 케이스별 페이싱 분포 및 전이 패턴을 분석하여 디자인 가이드를 도출합니다.

실험 결과

연구 질문

• RQ1 RQ1: CA의 맥락 인식 페이싱 전략이 사용자의 지각된 상호작용 품질과 경험(경청 품질, 정서적 신뢰, 인지적 신뢰, 인간상, 매끄러움, 상호작용성) 및 몰입에 어떤 영향을 미치는가?
• RQ2 RQ2: 맥락 인식 페이싱이 텍스트 기반의 지원 대화에서 사용자의 상호작용 행동(자기 공개의 깊이와 몰입 수준)에 어떤 영향을 미치는가?

주요 결과

• 맥락 인식 페이싱 CA는 인식된 인간성과, 매끄러움, 상호작용성에서 정적 페이싱 대조군보다 더 높은 점수를 얻었다.
• 직업 지원 시나리오에서 맥락 인식 페이싱 CA가 더 높은 지각된 경청 품질과 정서적 신뢰를 보였다.
• 다섯 가지 맥락 인식 페이싱 전략이 식별되어 구현을 위한 운영화가 이루어졌다: Reflective Silence, Facilitative Silence, Empathic Silence, Holding Space, Immediate Response.
• 페이싱 분포는 Resolve와 Reconfirm이 가장 자주 등장했고; Holding 및 다른 고강도 전략은 입력의 정서 강도에 따라 선별적으로 사용되었다.
• 두 가지 페이싱 전이 패턴이 나타났다: Conversational Inertia(정보 중심의 흐름 지속)와 Supportive Arcs(감정 조절 시퀀스).