[논문 리뷰] Persuasive Natural Language Generation -- A Literature Review

Sebastian Dürr, Peter A. Gloor|arXiv (Cornell University)|2021. 01. 14.

Advanced Text Analysis Techniques참고 문헌 20인용 수 12

한 줄 요약

이 문헌 리뷰는 77篇의 연구를 분석하여 비즈니스 중심의 다섯 가지 분야인 유익성, 언어적 적합성, 논리적 추론, 신뢰성, 도구/데이터셋을 중심으로 설득적 자연어 생성(NLG)을 조사한다. 설득력 있는 메시지를 향상시키기 위해 설득 이론과 기존 데이터셋에 기반한 체계적이고 증거 기반의 설계 원칙을 적용한 NLG 시스템을 발전시키기 위한 연구 계획을 제안한다.

ABSTRACT

This literature review focuses on the use of Natural Language Generation (NLG) to automatically detect and generate persuasive texts. Extending previous research on automatic identification of persuasion in text, we concentrate on generative aspects through conceptualizing determinants of persuasion in five business-focused categories: benevolence, linguistic appropriacy, logical argumentation, trustworthiness, tools and datasets. These allow NLG to increase an existing message's persuasiveness. Previous research illustrates key aspects in each of the above mentioned five categories. A research agenda to further study persuasive NLG is developed. The review includes analysis of seventy-seven articles, outlining the existing body of knowledge and showing the steady progress in this research field.

연구 동기 및 목표

• 77篇의 학술 논문을 종합함으로써 설득적 자연어 생성(NLG)의 최신 동향을 검토하기 위해.
• 비즈니스 관련성 있는 다섯 가지 분야인 유익성, 언어적 적합성, 논리적 추론, 신뢰성, 도구/데이터셋을 중심으로 설득의 핵심 결정 요소를 특정하기 위해.
• 설득적 NLG를 발전시키기 위한 체계적인 연구 계획을 수립하기 위해. 이는 방법론, 평가, 응용 분야의 격차를 메우기 위함이다.

제안 방법

• 설득적 텍스트 생성을 위한 NLG에 중점을 두고, 계산어휘학 및 인공지능 분야의 77편의 동료심사 논문을 대상으로 체계적 문헌 리뷰를 수행하였다.
• 설득적 NLG 기법을 다섯 가지 차원으로 분류: 유익성(도움을 주려는 의도), 언어적 적합성(톤과 스타일), 논리적 추론(일관성과 추론), 신뢰성(신뢰성과 신뢰성), 도구/데이터셋(사용 가능한 자원과 프레임워크).
• 설득적 NLG 시스템의 훈련 및 평가에 적합한가를 평가하기 위해 기존 데이터셋과 도구를 분석하였다.
• 반복적인 패턴, 방법론적 한계, 연구가 미처 다루지 않은 방향을 식별하기 위해 연구 결과를 종합하였다.
• 식별된 격차를 바탕으로 연구 계획을 수립하였으며, 이는 표준화된 평가 지표의 필요성과 도메인 특화 적응의 필요성을 포함한다.

실험 결과

연구 질문

• RQ1 기존의 NLG 시스템은 어떻게 설득적 콘텐츠를 생성하며, 그들의 설득력에 기여하는 언어적 및 구조적 특징은 무엇인가?
• RQ2 신뢰성, 논리적 일관성, 언어적 적합성과 같은 주요 설계 원칙은 성공적인 설득적 NLG 시스템의 핵심 요소인가?
• RQ3 현재 설득적 NLG 모델의 훈련 및 평가에 사용 가능한 데이터셋과 도구는 무엇이며, 각각의 한계는 무엇인가?
• RQ4 유익성, 언어적 적합성, 논리적 추론, 신뢰성, 도구/데이터셋이라는 다섯 가지 분야가 설득적 출력을 어떻게 상호작용하며 형성하는가?
• RQ5 비즈니스 및 실제 응용 분야에서 설득적 NLG를 발전시키기 위한 주요 연구 격차와 향후 연구 방향은 무엇인가?

주요 결과

• 문헌 분석 결과, 신뢰성 있고 매력적인 설득적 콘텐츠를 생성하기 위해 논리적 추론과 언어적 적합성이 중심적인 역할을 하고 있음을 확인하였다.
• 신뢰성은 종종 스타일적 신호와 출처의 신뢰성으로 다루어지지만, 설득력 있는 시스템 중 대부분이 신뢰성을 동적 구성 요소로 명시적으로 모델링하지는 않는다.
• 유익성은 톤과 의도를 통해 종종 내재되어 있으며, 일부 시스템은 수신자의 필요에 맞게 메시지를 맞춤화하기 위해 사용자 모델링을 활용한다.
• 설득적 NLG를 위한 가용한 데이터셋은 크기, 다양성, 주석 품질 측면에서 여전히 제한되어 있어 강력한 모델 훈련과 평가를 방해하고 있다.
• 설득적 NLG를 위한 도구와 프레임워크는 등장하고 있지만 표준화되지 않았으며, 대부분의 시스템이 재사용 가능한 구성 요소보다는 커스텀 파이프라인에 의존하고 있다.
• 명확한 연구 계획이 제안되었으며, 이는 벤치마크 데이터셋의 필요성, 다중 도메인 평가, 설득 이론을 NLG 아키텍처에 통합할 필요성 강조를 포함한다.