A Framework for Soliciting Clarification from Users During Plan Recognition
Notice bibliographique
Résumé
In previous work, we used plan recognition to improve responses to users in an advice-giving setting. We then characterized when it was worthwhile to engage a user in clarification dialogue--the cases where plan ambiguity mattered to the formulation of a response. Our current research develops detailed algorithms for selecting what to say during the clarification dialogue. We propose a default strategy for selecting a clarifying question, together with a variety of options to reduce the length of the clarification dialogue. Each clarifying question is introduced in order to prune the set of possible plans. But the system will never overcommit in recognizing the user's plan and thus will never have to backtrack into a debugging dialogue with the user. In all, we now have a more precise formulation for what to say during clarification dialogues, and valuable characterizations of decisions which an advice-giving system must make in generating a dialogue with a user.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,007 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».