[论文解读] Automatic Prediction Of Small Group Performance In Information Sharing Tasks

Wen Dong, Bruno Lepri+1 more|arXiv (Cornell University)|Apr 17, 2012

Speech and dialogue systems参考文献 20被引用 8

一句话总结

本文提出一种马尔可夫跳跃过程模型，通过分析1分钟时间间隔内的微观对话动态（如轮流发言和反馈性回应）来预测信息共享任务中小组的表现。该方法成功将这些细微的互动模式与宏观层面的小组表现联系起来，表明参与平衡性和更高的发言轮次率与更好的小组结果相关。

ABSTRACT

In this paper, we describe a novel approach, based on Markov jump processes, to model small group conversational dynamics and to predict small group performance. More precisely, we estimate conversational events such as turn taking, backchannels, turn-transitions at the micro-level (1 minute windows) and then we bridge the micro-level behavior and the macro-level performance. We tested our approach with a cooperative task, the Information Sharing task, and we verified the relevance of micro- level interaction dynamics in determining a good group performance (e.g. higher speaking turns rate and more balanced participation among group members).

研究动机与目标

• 开发一种自动方法，用于预测协作性信息共享任务中的小组表现。
• 在1分钟时间粒度上对细微的对话动态（例如轮流发言、反馈性回应）进行建模。
• 将微观层面的互动模式与宏观层面的小组表现结果相连接。
• 评估可度量的对话行为是否能够预测协作环境中的小组有效性。

提出的方法

• 使用马尔可夫跳跃过程对小组合中对话状态之间的转换进行建模。
• 在1分钟时间窗口内分析微观层面的互动事件，如轮流发言和反馈性回应。
• 从这些微观动态中提取特征，包括发言轮次率和参与平衡性。
• 应用统计建模方法，将这些特征与协作任务中的整体小组表现相联系。
• 采用结构化框架，将实时对话行为映射到表现预测。
• 使用来自受控信息共享任务的实证数据验证该模型。

实验结果

研究问题

• RQ1 微观层面的对话动态是否能够预测信息共享任务中宏观层面的小组表现？
• RQ2 哪些具体的互动模式（例如轮流发言、反馈性回应）最能预测高水平的小组表现？
• RQ3 发言轮次率和参与平衡性与小组有效性之间存在何种关系？
• RQ4 马尔可夫跳跃过程在多大程度上能够对小组合互动的动态进行建模？
• RQ5 对话结构与任务结果质量之间是否存在一致的关系？

主要发现

• 微观层面的对话动态，尤其是轮流发言和反馈性回应，是小组表现的强预测因子。
• 发言轮次率更高且参与更均衡的小组取得了更好的表现结果。
• 马尔可夫跳跃过程模型有效捕捉了小组互动的时间动态。
• 该模型成功将细微的行为模式与宏观层面的表现指标相联系。
• 参与平衡性和积极投入在统计上与更好的任务结果相关。
• 该方法在受控协作任务环境中展现出良好的预测有效性。