Conversational Breakdown Detector for a Motivational Interviewing Conversational Agent
Notice bibliographique
Résumé
A conversational breakdown in human-chatbot interaction refers to a disruption or failure in the communicative flow between the human user and the chatbot. To recover a disrupted conversation, the first step is to detect the breakdown. Researchers have proposed methods using supervised learning and semi-supervised learning in dialogue systems to achieve the goal of detecting conversational breakdown. However, few studies have focused on detecting breakdowns in automated therapeutic conversations, especially conversations led by motivational interviewing chatbots. The presence of conversational breakdowns has negative impacts on the human-chatbot interaction, such as frustration, dissatisfaction, or loss of trust. This gap suggests a need to build a robust and efficient conversational breakdown detector that recognizes interruptions during the conversation. Conversational breakdown detection paves the way for further action to recover conversations. In this paper, I develop a novel, unifying framework called “CIMIC” for characterizing the conversational breakdowns of “MIBot,” a motivational interviewing conversational agent for smoking cessation. I collect 200 pieces of conversational data through Prolific and annotate them using the CIMIC framework with a group of four trained annotators. The annotated dataset is then applied as the training set to fine-tune GPT-3 models to build a conversational breakdown detector for the MIBot.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».