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

在社交活動中，大語言模型既可以是你的合作夥伴（partner），也可以成為你的導師（mentor）。

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，例如解決衝突。

然而，社交技能的練習環境對大多數人來說通常是遙不可及的。特別是由專家訓練這些技能時，往往耗時、投入高且可用性有限。現有的練習和回饋機制很大程度上依賴專家監督，使訓練難以擴展。此外，經過專業訓練的教練也缺乏，而大多數可以提供客製化回饋的教練無法幫助大量有需要的人。

近日，在由史丹佛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練變得更容易、更安全、更有吸引力，並在現實、虛擬練習空間中提供量身定制的回饋。

論文網址：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練框架。

第一個訓練框架是 AI Partner，它可以透過模擬練習為體驗式訓練提供可擴展的解決方案。先前已經有研究表明，人類角色扮演可以有效地教導溝通、合作和領導技能。與 on-the-job 訓練相比，模擬可以讓學習者承擔更少的風險和機會成本。而透過模擬，AI Partner 將減少進入專業領域的社會經濟障礙。

第二個補充訓練框架是 AI Mentor， 它將根據領域專業知識和事實知識提供個人化回饋。

這兩個訓練框架（合稱為 APAM）都可以將體驗式學習與現實練習、客製化回饋結合。研究者呼籲透過跨學科創新來解決 APAM 的廣泛影響。

論文作者楊笛一表示：「學習社交技能對大多數人來說是遙不可及的，我們如何讓社交技能訓練變得更容易實現？基於此，我們推出APAM，其利用LLM 透過現實實踐和量身定制的反饋進行社交技能訓練！」

她接著表示：「在APAM 中，當使用者想要學習一項新的社交技能時，AI Partner 可以幫助他們透過模擬對話來練習相關場景。AI Mentor 可以在模擬的關鍵時刻提供基於知識的回饋。」

APAM 架構概覽

#該研究提出了一個通用框架專門用於社交技能訓練，該框架包括AI Partner 和AI Mentor（兩者簡稱APAM），而這兩者至關重要。當使用者想要學習一項新的社交技能時，AI Partner 可以透過模擬對話幫助他們練習相關場景。 AI Mentor 可以在模擬的關鍵時刻提供基於知識的回饋。

然而，建構和部署 AI Partner 並非易事，例如很難保持模擬人物的風格、行為和情感特徵的一致性。而開發 AI Mentor 在很大程度上依賴領域專業知識、情境感知和回饋效率等因素。

為了解決上述問題，研究者提出透過LLM 進行社交技能訓練的通用方法，分四個步驟完成：

1. 了解如何解決問題的技能（例如，解決衝突）；
2. 設計一個AI partner 來模擬對話，讓學習者（即使用者）接觸目標過程，進行練習； 
3. 建立一個AI mentor 來提供回饋； 
4. 將這兩個智能體整合到模擬環境中，以便使用者學習。 

研究者表示，APAM 框架的理想受眾是初學者，但有經驗的人也可以使用 APAM 系統來刷新他們的知識。

APAM 可以在許多領域提高學習者的技能，表 1 列舉了一些應用場景，例如如何傾聽、心理健康諮商等。不過 APAM 框架不僅限於這些典型的例子，論文第 6 節有更多的介紹。

雖然 LLM 作為社交技能訓練工具潛力巨大，因為它們可以產生連貫且自然的文本。然而，這種靈活性往往伴隨著有限的可控性。

出於安全考慮， APAM 框架為如何應用AI 提供了一系列措施，他們將使用流程分解為一個連續體：AI Partner 連續體以及AI Mentor 連續體，每個連續體都由三個模型完成（如圖1 所示）。

評估結果

#AI partner 和AI mentor 的評估是一個重大挑戰，基於APAM 的工具涉及複雜的計算系統以及與不同需求和背景的使用者的互動。

為了將這些訓練工具開發為一個領域，評估措施需要超越自然語言處理中傳統的指標，轉而採用來自多個相關領域和利害關係人的方案。納入多學科視角將有助於評估此類系統的實證效能、基於使用者角度的可用性以及對使用者和社群的長期影響。

目前，文字產生的研究主要集中在內部評估上，即透過預先定義的規則或交互作用來評估輸出的品質。

在下表 2 中，研究者主要分為全自動評估和使用者驅動評估。基於參考的指標（如困惑度或 Kullback-Leibler 散度）通常用於系統品質自動評估，它們既簡單又允許透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於 APAM 系統的內在和外在評估程序。目前，自然語言處理從業者主要關注對系統的內在評估。本文中，研究者強調使用既定的教育成果衡量標準來評估 APAM 系統的重要性。

更多細節請參考原文。

以上是楊笛一新作：社恐有救了，AI大模型一對一陪聊，幫i人變成e人的詳細內容。更多資訊請關注PHP中文網其他相關文章！