[论文解读] Implementing feedback in creative systems: A workshop approach

Joseph Corneli, Anna Jordanous|arXiv (Cornell University)|May 26, 2015

Data Visualization and Analytics参考文献 33被引用 6

一句话总结

本文提出了一种作家工作坊（Writers Workshop）的计算模型——最初是一种人类创意写作实践——作为在人工智能创意系统中实现反馈的框架。通过借鉴结构化、类似同行评审的批评与修订流程，该模型使AI系统能够通过协作式反馈迭代改进创意输出，展示了将社会性学习嵌入计算创造力系统的一条可行路径。

ABSTRACT

One particular challenge in AI is the computational modelling and simulation of creativity. Feedback and learning from experience are key aspects of the creative process. Here we investigate how we could implement feedback in creative systems using a social model. From the field of creative writing we borrow the concept of a Writers Workshop as a model for learning through feedback. The Writers Workshop encourages examination, discussion and debates of a piece of creative work using a prescribed format of activities. We propose a computational model of the Writers Workshop as a roadmap for incorporation of feedback in artificial creativity systems. We argue that the Writers Workshop setting describes the anatomy of the creative process. We support our claim with a case study that describes how to implement the Writers Workshop model in a computational creativity system. We present this work using patterns other people can follow to implement similar designs in their own systems. We conclude by discussing the broader relevance of this model to other aspects of AI.

研究动机与目标

• 为解决计算创造力系统中反馈整合不足的问题，目前大多数AI模型处于孤立运行状态。
• 提出一种受人类创意写作工作坊启发的社会化、互动式反馈模型。
• 提供一个实用且可复用的框架，用于在AI系统中实现反馈机制。
• 展示计算智能体如何通过结构化、协议驱动的批判性反馈相互学习。
• 将作家工作坊定位为未来AI系统的基础模型，使其能够从经验与互动中学习。

提出的方法

• 采用作家工作坊格式，即系统展示进行中的作品，并从其他系统接收结构化、建设性的反馈。
• 设计一个计算协议，明确角色分工：展示者（拥有作品的系统）、评审者（提供反馈的系统）以及负责管理流程的主持人。
• 实现一种受控的沟通词汇表，可能基于本体论（如交互网络本体论）以标准化反馈表达。
• 使系统能够反思反馈内容，更新自身输出，并评估接收到的输入的有用性。
• 将该模型用作学术场景中AI系统的同行评审机制，例如在国际计算创造力会议（ICCC）中应用。
• 将该模型扩展至教育AI领域，使系统能够通过模拟学生经验，为人类学习者生成个性化反馈。

实验结果

研究问题

• RQ1 如何系统性地将反馈整合到计算创造力系统中，以支持迭代改进？
• RQ2 作家工作坊的哪些结构性与程序性要素可被计算建模，以使AI系统能够参与建设性批判？
• RQ3 AI系统在何种方式下可从同伴反馈中受益，其机制与人类创意协作相类似？
• RQ4 反馈机制应如何设计，以支持长期学习与适应，而非一次性评估？
• RQ5 结构化、协议驱动的反馈在推动人工智能创造力的社会性与互动性维度方面，可能发挥何种作用？

主要发现

• 作家工作坊模型为在计算创造力系统中嵌入反馈提供了切实可行且结构化的框架，支持形成性评价而非总结性评价。
• 该模型通过迭代的多智能体反馈，支持偶然的洞见与涌现性发展，与人类创意发展的过程相吻合。
• 初步实现表明，系统可被设计为展示作品、接收反馈并修订输出，从而模拟类人学习过程。
• 该方法使系统能够评估反馈的有用性，支持自我改进与元认知反思。
• 该模型可适配学术与教育场景，例如在会议中进行同行评审，或为人类学习者提供形成性评估。
• 该框架为AI系统从数据中学习，也从互动与社会性反馈中学习指明了方向，推动计算创造力领域的发展。