楊笛一新作：社恐有救了，AI大模型一對一陪聊，幫i人變成e人
在人類的社交活動中，為了更有效地在工作和生活中與他人溝通，需要一定的社交技能，比如解決沖突。
然而，社交技能的練習(xí)環(huán)境對于大多數(shù)人來說通常是遙不可及的。特別是由專家訓(xùn)練這些技能時，往往耗時、投入高且可用性有限?，F(xiàn)有的練習(xí)和反饋機制很大程度上依賴專家監(jiān)督，使訓(xùn)練難以擴展。此外，經(jīng)過專業(yè)培訓(xùn)的教練也缺乏，而大多數(shù)可以提供定制化反饋的教練無法幫助大量有需要的人。
近日，在由斯坦福助理教授楊笛一為共同一作的論文《Social Skill Training with Large Language Models》中，研究者認為，借助大語言模型可以使得社交技能訓(xùn)練變得更容易、更安全、更有吸引力，并在現(xiàn)實、虛擬練習(xí)空間中提供量身定制的反饋。
論文地址：https://arxiv.org/pdf/2404.04204.pdf
具體來講，研究者提出了以下兩種社交技能訓(xùn)練框架。
第一個訓(xùn)練框架是 AI Partner，它可以通過模擬練習(xí)為體驗式訓(xùn)練提供可擴展的解決方案。此前已經(jīng)有研究表明，人類角色扮演可以有效地教授溝通、合作和領(lǐng)導(dǎo)技能。與 on-the-job 訓(xùn)練相比，模擬可以讓學(xué)習(xí)者承擔更少的風(fēng)險和機會成本。而通過模擬，AI Partner 將減少進入專業(yè)領(lǐng)域的社會經(jīng)濟障礙。
第二個補充訓(xùn)練框架是 AI Mentor， 它將根據(jù)領(lǐng)域?qū)I(yè)知識和事實知識提供個性化反饋。
這兩個訓(xùn)練框架（合稱為 APAM）都可以將體驗式學(xué)習(xí)與現(xiàn)實練習(xí)、定制反饋相結(jié)合。研究者呼吁通過跨學(xué)科創(chuàng)新來解決 APAM 的廣泛影響。
論文作者楊笛一表示：「學(xué)習(xí)社交技能對大多數(shù)人來說是遙不可及的，我們?nèi)绾尾拍苁股缃患寄苡?xùn)練變得更容易實現(xiàn)？基于此，我們推出 APAM，其利用 LLM 通過現(xiàn)實實踐和量身定制的反饋進行社交技能訓(xùn)練！」
她接著表示：「在 APAM 中，當用戶想要學(xué)習(xí)一項新的社交技能時，AI Partner 可以幫助他們通過模擬對話來練習(xí)相關(guān)場景。AI Mentor 可以在模擬的關(guān)鍵時刻提供基于知識的反饋?！?/p>
APAM 架構(gòu)概覽
該研究提出了一個通用框架專門用于社交技能訓(xùn)練，該框架包括 AI Partner 和 AI Mentor（兩者簡稱 APAM），并且這兩者至關(guān)重要。當用戶想要學(xué)習(xí)一項新的社交技能時，AI Partner 可以通過模擬對話幫助他們練習(xí)相關(guān)場景。AI Mentor 可以在模擬的關(guān)鍵時刻提供基于知識的反饋。
然而，構(gòu)建和部署 AI Partner 并非易事，比如很難保持模擬人物的風(fēng)格、行為和情感特征的一致性。而開發(fā) AI Mentor 在很大程度上依賴于領(lǐng)域?qū)I(yè)知識、情境感知和反饋效率等因素。
為了解決上述問題，研究者提出通過 LLM 進行社交技能訓(xùn)練的通用方法，分四個步驟完成：
- 了解如何解決問題的技能（例如，解決沖突）；
- 設(shè)計一個 AI partner 來模擬對話，讓學(xué)習(xí)者（即用戶）接觸目標過程，進行練習(xí)；
- 創(chuàng)建一個 AI mentor 來提供反饋；
- 將這兩個智能體集成到模擬環(huán)境中，以便用戶學(xué)習(xí)。
研究者表示，APAM 框架的理想受眾是初學(xué)者，但是有經(jīng)驗的人也可以使用 APAM 系統(tǒng)來刷新他們的知識。
APAM 可以在許多領(lǐng)域提高學(xué)習(xí)者的技能，表 1 列舉了一些應(yīng)用場景，例如如何傾聽、心理健康咨詢等。不過 APAM 框架不僅限于這些典型的例子，論文第 6 節(jié)有更多的介紹。
雖然 LLM 作為社交技能訓(xùn)練工具潛力巨大，因為它們可以生成連貫且自然的文本。然而，這種靈活性往往伴隨著有限的可控性。
出于安全考慮， APAM 框架為如何應(yīng)用 AI 提供了一系列措施，他們將使用過程分解為一個連續(xù)體：AI Partner 連續(xù)體以及 AI Mentor 連續(xù)體，每個連續(xù)體都由三個模型完成（如圖 1 所示）。
評估結(jié)果
AI partner 和 AI mentor 的評估是一個重大挑戰(zhàn)，基于 APAM 的工具涉及復(fù)雜的計算系統(tǒng)以及與不同需求和背景的用戶的交互。
為了將這些訓(xùn)練工具開發(fā)為一個領(lǐng)域，評估措施需要超越自然語言處理中傳統(tǒng)的指標，轉(zhuǎn)而采用來自多個相關(guān)領(lǐng)域和利益相關(guān)者的方案。納入多學(xué)科視角將有助于評估此類系統(tǒng)的實證性能、基于用戶角度的可用性以及對用戶和社區(qū)的長期影響。
目前，文本生成的研究主要集中在內(nèi)在評估上，即通過預(yù)定義的規(guī)則或交互來評估輸出的質(zhì)量。
在下表 2 中，研究者主要劃分為全自動評估和用戶驅(qū)動評估?；趨⒖嫉闹笜耍ㄈ缋Щ蠖然?Kullback-Leibler 散度）通常用于系統(tǒng)質(zhì)量自動評估，它們既簡單又允許通過演示對所需行為進行豐富的定義。
表 2 詳細列出了以往工作中適用于 APAM 系統(tǒng)的內(nèi)在和外在評估程序。目前，自然語言處理從業(yè)者主要關(guān)注對系統(tǒng)的內(nèi)在評估。本文中，研究者強調(diào)使用既定的教育成果衡量標準來評估 APAM 系統(tǒng)的重要性。
更多細節(jié)請參閱原論文。
本文轉(zhuǎn)自 機器之心 ，作者：機器之心
