说服性对话中抵抗策略的计算建模

说服策略的计算建模已成功应用于各种实际应用中。最近的一项研究试图在有说服力的对话中实施以前未探索过的抗拒策略。

基于包含说服和谈判对话的数据集创建了一个带注释的抵制策略语料库。确定了七种主要策略：来源贬损、反驳、信息查询、个人选择、自怜、犹豫和自我主张。采用分层神经网络架构来推断使用哪种策略。

在这项任务中，建议的模型优于几个神经基线。进一步研究了选择的抵制策略对谈话影响的影响。结果表明，抵制策略比说服者采用的策略更能预测谈话的成功。

将说服策略建模为任务结果的预测因子有几个现实世界的应用，并受到了计算语言学界的广泛关注。然而，先前的研究未能解释个人为挫败此类说服尝试所采用的抗拒策略。基于认知和社会心理学的先前文献，我们提出了一个通用框架，用于识别说服性对话中的抗拒策略。我们在包含说服和谈判对话的两个不同数据集上实例化我们的框架。我们还利用分层序列标记神经架构来自动推断上述抵抗策略。我们的实验揭示了非协作目标导向对话中权力角色的不对称性，以及在最终对话结果中结合抵制策略所产生的好处。我们还调查了不同的抵制策略对对话结果的作用，并收集了与过去发现相符的见解。我们还公开了这项工作的代码和数据集，网址为这个https网址。

标签：