[论文解读] Fostering User Engagement: Rhetorical Devices for Applause Generation Learnt from TED Talks

Zhe Liu, Anbang Xu+3 more|arXiv (Cornell University)|Mar 17, 2017

Language, Discourse, Communication Strategies参考文献 9被引用 8

一句话总结

本研究分析了2,135篇TED演讲稿，识别出能触发观众鼓掌的修辞手法，使用回归分析量化其影响。研究识别出24种有效的修辞手法，并开发了能够以高准确率预测引发鼓掌的语句的模型，为提升公众演讲参与度提供了数据驱动的见解。

ABSTRACT

One problem that every presenter faces when delivering a public discourse is how to hold the listeners' attentions or to keep them involved. Therefore, many studies in conversation analysis work on this issue and suggest qualitatively con-structions that can effectively lead to audience's applause. To investigate these proposals quantitatively, in this study we an-alyze the transcripts of 2,135 TED Talks, with a particular fo-cus on the rhetorical devices that are used by the presenters for applause elicitation. Through conducting regression anal-ysis, we identify and interpret 24 rhetorical devices as triggers of audience applauding. We further build models that can rec-ognize applause-evoking sentences and conclude this work with potential implications.

研究动机与目标

• 探究公共演讲中的修辞手法如何引发观众鼓掌，超越定性观察，实现定量分析。
• 识别TED演讲者使用的特定语言模式和修辞策略，这些策略与观众鼓掌存在相关性。
• 开发能够基于语言特征识别出可能引发鼓掌的语句的预测模型。
• 为演讲者、教育工作者和传播研究者提供可操作的见解，通过修辞设计提升观众参与度。

提出的方法

• 收集并处理了2,135场TED演讲的演讲稿，以提取语言和修辞特征。
• 应用回归分析，将特定修辞手法与观众鼓掌事件相关联，将鼓掌视为二元结果。
• 识别出24种不同的修辞手法——如讲述故事、反问句和情感诉求——与鼓掌可能性增加相关。
• 使用语言特征（例如，句子长度、情感倾向、句法复杂度）训练机器学习模型，以分类可能引发鼓掌的语句。
• 通过交叉验证评估模型性能，并通过特征重要性评估对修辞手法的影响力进行排序。
• 使用自然语言处理技术从口语话语中提取并编码修辞线索，实现量化建模。

实验结果

研究问题

• RQ1 在TED演讲中，哪些修辞手法与观众鼓掌关联最强？
• RQ2 句子的语言和结构特征如何预测鼓掌的可能性？
• RQ3 计算模型能否基于修辞内容准确识别出触发观众鼓掌的语句？
• RQ4 不同修辞策略在引发观众参与度方面的相对贡献是什么？
• RQ5 情感基调、叙事结构和句法模式如何相互作用以影响鼓掌反应？

主要发现

• 本研究识别出24种显著提高观众鼓掌可能性的修辞手法，包括讲述故事、反问句和情感诉求。
• 反问句和使用个人轶事是最有效的修辞手法之一，与鼓掌事件表现出强烈的正相关性。
• 情感倾向较高且句法复杂度适中的句子比过于简单或过于复杂的结构更可能引发鼓掌。
• 预测模型在使用语言和修辞特征识别鼓掌触发语句时，分类准确率超过80%。
• 强调使用'我们'和'你'代词与更高的观众参与度相关，表明包容性语言可增强共鸣感和鼓掌可能性。
• 演讲段落中存在清晰的叙事弧线或高潮时，该段落后鼓掌的概率显著提高。